微生物污染一直是危害食品安全的最主要因素,实现食品生产过程中微生物生物量浓度的在线检测对保证产品质量、保障食品安全意义重大。并且,食品生产过程中微生物的定量检测也可为标准化生产及管理工作提供相应的数据支持。但是,目前食品生产过程在线微生物检测手段存在耗时漫长、操作过程复杂和需额外添加试剂破坏样品等诸多弊端,使得微生物浓度的检测技术相对滞后,无法做到食品生产过程中的在线检测。光谱法具有快速、操作简便、无需直接接触受测样品等优点。因此,本研究将其引入食品生产过程中微生物浓度的在线定量检测中。牛奶营养丰富,成分复杂,消费市场规模巨大,极具代表性。同时,大肠埃希氏菌在自然界分布广泛,造成的卫生安全事故相对严重,故选定牛奶中的大肠埃希氏菌为检测对象。本文主要研究内容如下:通过分析乳干物质及大肠埃希氏菌的光化学吸收特性,阐释了染菌牛乳吸收光谱成因。通过对现有生物大分子模型的分析,解释了样品散射主要原因。根据生物大分子多粒径联合致散射的这一特性,选取了多元散射校正与正态变量变换法相联合的去散射算法。根据光谱曲线的吸收特性利用小波变换法精细化的对光谱曲线中的噪声进行去噪处理。根据牛奶的特性分析了大肠埃希氏菌光谱曲线红移现象的成因,结合二维相关光谱的分析手法对实验所得的40组光谱数据进行分析,确定了红移后的大肠埃希氏菌的特征吸收峰位置为310nm-385nm,考虑光谱连续性的因素,确定其最佳分析波段为300nm-400nm。同时以K-S算法将40组原始光谱划分为30组训练集和10组预测集,以平板培养法作为定标实验对比预测模型预测结果与平板法估算的样品中大肠埃希氏菌的定量结果。综合对比了BP人工神经网络,GRNN神经网络和ELM神经网络的预测精度,所需时间和结果稳定性,最终确定ELM神经网络为课题研究背景下最适用的预测模型,整体预测精度为92.74%,预测所需时间为6s,光谱法整体用时3min。证明该方法满足分析需求,能够做到生产过程中微生物量浓度的在线检测的要求。