为了实现对茶叶种类及产地的量化判别,本研究共收集世界上14个国家不同地区、不同种类、不同季节及不同等级的茶叶样品共1150个,利用高效液相色谱的方法检测茶叶中的儿茶素、咖啡碱、茶氨酸和没食子酸等理化成分的含量,比较不同的因子筛选方法,筛选出能代表该类茶叶的特征性化合物,结合多种判别分析和机器学习的方法建立茶叶类别及产地量化判别模型,取得的主要成果如下:（1）基于茶叶中EGCG,咖啡碱,儿茶素总量及茶氨酸含量,采用Fisher逐步判别方法,实现对六大茶类的量化判别,红茶、黑茶、白茶、乌龙茶、绿茶和黄茶的判别率分别为98.9%、92.1%、100%、95.7%、91.2%和85.7%。研究结果为茶叶化学分类方法国家标准的制定提供理论依据。（2）基于茶叶中常规理化成分茶多酚、茶氨酸和咖啡碱的含量,采用逐步判别方法筛选出茶叶特征性化合物,并结合ECG1.25和咖啡碱~2优化筛选出的化合物,结合Bayes判别分析,实现了对六大茶类的量化判别,预测集的总判别率为92.3%,绿茶、红茶、白茶、乌龙茶、黄茶和黑茶的判别率分别为92.3%、93.7%、89.7%、87.5%、85.7%和100%。（3）以茶叶中的没食子酸、EGC、C、咖啡碱、EGCG、EC、ECG、茶氨酸、儿茶素总量、EGC/儿茶素总量、没食子酸*茶氨酸*儿茶素总量等作为初始指标,采用遗传算法筛选出的指标结合极限学习机模型实现对中国绿茶与国外绿茶的区分,预测集的总判别率为95.7%。同时基于以上11个初始指标,采用连续投影算法提取的指标结合线性判别分析模型,实现了对中国西南茶区、江南茶区、江北茶区和华南茶区等四大茶区绿茶的量化判别,判别率为98.8%。（4）以茶叶中的没食子酸、EGC、C、咖啡碱、EGCG、EC、ECG、茶氨酸、儿茶素总量、咖啡碱*EGCG、茶氨酸*咖啡碱、茶氨酸/儿茶素总量、茶氨酸*没食子酸等13个指标作为初始因子,使用遗传算法结合支持向量机模型实现了对非洲红茶和亚洲红茶的区分,判别率为92.6%,并且该模型可以实现对非洲肯尼亚和莫桑比克红茶的100%判别。采用主成分分析方法筛选的指标结合反向传播人工神经网络模型能够实现对中国、斯里兰卡、印度和印尼等四个亚洲国家红茶的高效判定,预测集的判别率为91.7%。采用连续投影算法结合反向传播人工神经网路模型,能够实现对中国的安徽、福建、贵州和云南等四个省份红茶的量化判别,预测集的判别率为92.1%。（5）以没食子酸、EGC、C、咖啡碱、EGCG、EC、ECG、茶氨酸、儿茶素总量等作为初始指标,采用遗传算法筛选出的化合物结合反向传播人工神经网路算法可以实现对中国的闽南、闽北、广东和台湾等四大乌龙茶传统产区的鉴定,且预测集的总判别率为98.4%。（6）本研究基于国家标准中花砖茶、黑砖茶、茯砖茶、康砖茶、沱茶、紧茶、金尖茶、青砖茶等黑茶产品标准,收集了全国不同省份的黑茶样品146个,检测其水分、总灰分等卫生指标以及多酚、儿茶素、咖啡碱等理化指标的含量,对黑茶的理化指标做出了基本要求,并建立一种黑茶区分于其它茶类的判别方法,初始判别率为96.6%,且验证后的判别率为96.5%。