采用傅里叶变换红外光谱法,对采自云南及秘鲁共139份玛咖样品进行产地鉴别研究。采用多元散射校正结合二阶导数和Norris平滑预处理光谱,通过剔除噪声明显的光谱波段,筛选出适宜的主成分数为8。基于最优主成分数,采用间隔偏最小二乘（interval partial least-squares,iPLS）法对3 650.59-651.82 cm^-1光谱进行优化分析。结果显示,筛选98份样品在1 855.19⁶51.822、3 054.69²756.78 cm^-1和3 650.59³ 353.6 cm^-1光谱建立的间隔偏最小二乘判别分析（interval partial least-squares discriminant analysis,iPLS-DA）分类模型,其R²、校正均方根误差和预测均方根误差分别为0.958 4、0.785 8和1.164 2。通过41份样品验证,验证正确率与原光谱建立的分类模型保持一致,均为87.80%。为进一步提高分类模型的精度,在iPLS筛选的光谱波段基础上,分别采用遗传算法（genetic algorithm,GA）和蛙跳算法（shuffled frog leaping algorithm,SFLA）对光谱信息进行优化,结果显示,采用GA筛选频率大于4和5的光谱信息,筛选的光谱数据点分别为62个和29个;利用SFLA筛选概率大于0.1和0.15的光谱信息,筛选的光谱数据点分别为77个和27个。验证结果显示,采用GA-PLS-DA_{62个数据点})和GA-PLS-DA_{（29个数据点）}建立的PLS-DA分类模型识别正确率分别为95.12%和97.56%,采用SFLA-PLS-DA_{（77个数据点）}和SFLA-PLS-DA_{（27个数据点）}建立的分类模型识别正确率分别为92.68%和97.56%。对比上述方法可知,采用iPLS-DA、GA-PLS-DA和SFLA-PLSDA建立的分类模型均具有较好的预测性能,其中GA-PLS-DA_{（29个数据点）}和SFLA-PLS-DA（27个数据点）建立分类模型能更准确地鉴别不同产地的玛咖。该方法的建立为玛咖红外光谱产地鉴别提供一种新的思路,所筛选的光谱变量可为不同产地玛咖内在化学成分（组分）差异性分析提供基础依据。