细菌食源性中毒问题一直是疾控领域需要受到重视且棘手的问题。其中,肉毒梭菌是一种重要的食源性致病菌。传统的检测一般需要5-10天的时间。亟待提出一种新的细菌检测方式,满足当今社会对细菌检测快速、便捷的需求。电子显微图像具有快速统计分类的特点,在多个领域适用。目前得显微图像技术仍需要通过染色图像,而后通过人工识别对细菌的种类进行鉴别,标准不统一。电子显微图像识别通过使用计算机对细菌进行识别分类,满足当前细菌检测的迫切需求。光谱分析作为一种快速检测方法,避免了不必要的实验流程,为细菌识别提供了新的思路。在对细菌电子显微图像进行特征提取之后采用SVM、BP神经网络、Adaboost及其改进方法基于信息熵的Adaboost方法进行识别分类。SVM的分类准确率为82.2%;BP神经网络的分类结果为88.71%。其中Adaboost系列方法展示出了良好的分类效果,准确率可以达到100%。减少训练集样本数量同时减少弱分类个数后,基于信息熵的Adaboost方法仍可以达到100%的准确率,而原始的Adaboost算法的准确率为97.4%。引入的信息熵用于衡量不同基分类器对于同一样本的预测“分歧”,熵值大的样本包含更多重要信息,更有利于整体分类器的构建。在细菌电子显微图像分类中还使用了Alcxnet网络对细菌电子显微图像进行分类,准确率为92.55%。Alexnet模型具有良好的泛化能力,适用于细菌电子显微图像的识别分类。在细菌拉曼光谱分类问题中,采用了 SIMCA及改进的SIMCA-SVDD方法进行分类,原始SIMCA算法的准确率为96.36%,改进的SIMCA-SVDD方法准确率达到98.18%。改进的SIMCA-SVDD算法利用SVDD的特性将低维度线性不可分的特征数据映射到更高维度空间,进行数据分类。可以划出尽可能小的区域以包含更多的类样本,达到更好的分类效果。