随着中国食用油市场与工业的快速发展,对食用油的检测,尤其是对“地沟油”的鉴别己成为急须解决的食品安全问题。但当前存在的传统理化检测、核磁共振、拉曼光谱、近红外光谱等检测技术,庞杂、系统性差,显然这些油品鉴别检测技术无法形成有效的检测系统,缺乏高质量国家检测标准。本论文聚焦于探索深度学习方法对于食用油可见光谱图像的特征提取能力,研究4种食用油及4种掺杂油品光谱信息在不同卷积神经网络（Convolutional Neural Network）模型中的识别分类效率,通过模型的泛化性分析获得用于多种不同食用油品的检测优化模型,为食用油通用检测体系甚至标准的建立,提供理论与实践基础。本文以胡姬花牌花生油、金龙鱼牌菜籽油、金龙鱼牌大豆油、餐厨废弃油（多次煎炸的鲁花牌花生油）、四种掺杂油品为研究对象,通过两种不同型号的傅里叶变换设备获取油品在λ∈（400,800）nm的光谱信息,采用随机梯度下降算法搭建三种卷积神经网络对光谱信息实现特征提取及识别分类,最后利用四个模型评价指标综合分析模型的泛化性,上述研究的主要内容与结果如下:（1）探究了自制的双层玻片盛载油品装置对油品鉴别结果的影响。将胡姬花牌花生油、金龙鱼牌菜籽油、双层玻片盛载装置、餐厨废弃油在LSPF-1型实验设备获取的光谱图导入到三种CNN模型中训练,在保证训练样本一致的情况下,三种模型的训练准确率变化在2%以内。说明双层玻片装置对实验结果的影响可以忽略。（2）用三种新的CNN模型,有效实现深度学习方法对食用油可见光波段光谱信息实现特征提取及识别分类。选取三种食用油共600张光谱图,导入Resnet、Dense Net、Mobile Net这三种新CNN模型,训练后得到的识别准确率分别为88.5%、93.67%、89.5%。（3）有效完成上述三种新CNN在更多的8种油品中的识别。当模型的输入数据为LSPF-1型设备获取的4种食用油光谱图时,Resnet、Dense Net、Mobile Net的准确率分别为90.71%、94.57%、92.16%;按照2:8、5:5的油品掺杂方案,另外获得4种混合油品,利用LFY-11型光谱仪测量4种混合油品可见光波段光谱图,模型训练得到,Resnet、Dense Net、Mobile Net的准确率分别为91.3%、91.3%、87.5%。实现8种油品的识别分类,并发现设备、油品的差异引起的规律性识别变化。（4）以不同评价指标验证了三种模型泛化性及鲁棒性,并在识别准确率上明显高出现有研究。针对三种模型的训练结果进行对比分析研究,主要以准确率、精确率、召回率、F1分数作为每种模型的评价指标,通过评价指标对比发现,对于油品光谱训练,本文搭建的三种CNN模型都表现出良好的泛化性及鲁棒性。与现有的油品鉴别研究相比其识别准确率普遍高出9%。为食用油的检测识别分析提供新的数字化方法。本论文有下列四个创新点。（1）发现在获取食用油光谱时使用的自制双玻片盛载装置,对油品光谱深度学习的结果干扰很小,此研究结果不仅为类似油品的光谱技术提供理论前提、实验工艺,而且突破了“务必去除盛载装置对样品光谱信息的干扰”的思想禁锢,即,用新方法可对光学混合信息进行总体性研究。（2）相比绝大多数机构研究油品的近红外波段或者紫外波段的光谱信息,本研究采用高精度、高分辨率傅里叶变换光谱仪,获得了8种油品在400～800nm波段上的光谱信息,发现了其具有可靠的光谱特征信息,突破了采用近红外波段以及紫外波段对油品进行检测鉴别的局限,验证了选择两种健康油和一种非健康油进行识别研究的方案具有普适性。（3）本研究抛弃了绝大多数的食用油光谱深度学习所用的数据平滑预处理方法,只对光谱图进行旋转、平移和缩放,这不仅得到优良准确率,而且保留更多原始数据特征,以便于对更复杂食用油进行识别,将开启油品的多成分分析研究。（4）采用四种评价指标对模型泛化性及鲁棒性进行对比分析,创新了准确率、F1及标准偏差的多指标综合评价法,有效建立基于深度学习技术的油品识别方法,体现思想创新。总之,基于随机梯度下降算法搭建的三种新卷积神经网络对8种油品光谱图像的高效识别,验证了深度学习方法对于食用油光谱识别分类研究的可行性。在λ∈（400,800）nm波段上建立的油品识别分类模型,为近红外波段以及紫外波段食用油的研究提供了可靠性的依据,多指标综合评价法为食用油的检测识别提供了有价值的分析思路。因此,本论文具有重要的科学价值和应用前景,预期着食用油通用检测体系的建立。