摘要为实现对桑黄样品的快速、无损、准确溯源,本研究通过对比可见-近红外(400～1 000 nm)和短波红外(900～1 700 nm)范围内高光谱成像技术,结合深度学习算法,构建了一种快速鉴别桑黄产地来源及栽培模式模型.通过比较6 种预处理方法(一阶导数、二阶导数、多元散射校正(multiplicative scatter correction,MSC)、标准正态变量变换(standard normal variate,SNV)、Savitzky-Golay平滑、去趋势)、3 种特征选择算法(连续投影算法、竞争性自适应重加权算法、无信息变量消除(uninformative variable elimination,UVE)算法)和3 种深度学习算法(卷积神经网络(convolutional neural network,CNN)、反向传播神经网络、径向基函数神经网络)确立最优算法组合.结果表明,在双波段性能对比中,短波红外波段的鉴别精度显著优于可见-近红外波段;3 种深度学习算法中,CNN模型的分类能力最优.具体而言,针对桑黄产地溯源任务,900～1 700 nm波段下的SNV-UVE-CNN模型表现最佳,测试集分类准确率达99.36％;针对栽培模式识别,900～1 700 nm波段下的MSC-CNN模型性能最优,测试集准确率为97.44％.此外,本研究采用t-分布随机邻域嵌入算法对模型提取的深层特征进行可视化分析,通过对比双波段高光谱成像技术,筛选最适深度学习算法,实现了对桑黄产地来源与栽培模式的精准识别,明确了900～1 700 nm波段的应用优势及CNN模型的适用性,本研究可为构建智能化快速检测技术体系及推动便携式检测装备的研发与应用提供重要的理论基础与数据支撑.