摘要本研究提出一种基于近红外光谱(near-infrared spectroscopy,NIR)和一维卷积神经网络(one-dimension convolutional neural network,1D-CNN)的甘薯淀粉掺假鉴别与定量的分析方法.为实现甘薯淀粉在不同种类和掺假比例下的定性定量分析,分别采集甘薯、玉米、土豆、木薯等纯薯类淀粉和以10％为梯度制备的不同比例掺假甘薯淀粉的原始光谱.分别运用一阶导数(first-order derivative,1st)、连续小波变换(continuous wavelet transform,CWT)、多元散射校正(multiplicative scatter correction,MSC)和标准正态变换(standard normal variate transformation,SNV)进行光谱预处理,利用卷积神经网络(convolutional neural network,CNN)算法将预处理前后的光谱作为1D-CNN的输入信号构建薯类淀粉分类模型和甘薯淀粉含量预测模型,并将光谱预处理前后的1D-CNN建模效果与传统的偏最小二乘(partial least squares,PLS)建模结果进行比较.结果表明,不同的光谱预处理方法可以不同程度地提高分类模型和定量模型的准确度,其中1st和CWT方法的效果要优于MSC和SNV方法.分类模型中,1D-CNN方法的预测精度较PLS方法更高;预测集中,样品光谱预处理后使用1D-CNN对不同薯类淀粉预测正确率达到100％;定量模型中,PLS方法和1D-CNN方法均可实现单一混合淀粉掺假情况下甘薯淀粉含量的精准预测,而且PLS和1D-CNN模型的预测集决定系数和预测集均方根误差相近.与PLS方法相比,1D-CNN方法在分类上的效果要优于定量效果.本研究表明NIR、1D-CNN和PLS相结合可以实现掺假薯类淀粉的鉴别和其中甘薯淀粉含量的量化,对市场中薯类淀粉掺假的质量安全筛查具有现实意义.