烟叶作为卷烟生产的基础部分,其内在品质影响了卷烟产品的质量。产地、部位与等级的划分在烟叶采购与质量管理中起着关键性作用。在卷烟生产中,各产区烟叶的风格特征凸显和品质好坏对提高卷烟产品质量具有很大意义。近红外光谱分析技术作为一种绿色、环保、无破坏性的分析技术,近年来在烟草行业得到了迅速发展和广泛应用。因近红外光谱具有谱峰重叠、光谱波长点多、信噪比低等特征,须借助化学计量学方法挖掘蕴含在光谱中内在特征信息。因此在烟叶产地识别研究中,需开展高维光谱降维、波长变量选择与优化以及模式识别方法研究等多项关键技术,为近红外光谱分析技术进行烟叶质量全面评价、烟叶栽培措施改进以及烟叶配打提供重要的技术支撑。本文的主要工作如下：1通过大量的文献阅读,分析了近红外光谱降维算法、模式识别分类算法的研究现状,指出了现有算法的优劣,提出了本文研究目的、意义及主要研究内容。2介绍了化学计量学方法与分子光谱分析技术,对近红外光谱的漫反射原理及分析谱区的选择进行说明,介绍了近红外光谱的定性识别过程与定性方法,给出了模式识别方法的实现及近红外模型评价。3针对烟叶近红外光谱数据变量选择困难等问题,本文分别从两个方面对其进行分析研究,分别为基于特征选择的降维算法研究和基于特征提取的降维算法研究。实验结果表明,采用两种方式均可提取出样本光谱中特征信息与产地分类信息。通过与SIMCA算法进行对比分析,SPA-LDA算法筛选的变量可以较好表达烟叶中关于分类的信息,仅用两个波数就可以成功划分所有测试样品。4在产区鉴别分类时,由于传统KNN算法存在对未知样品错分率较高等问题,本文提出了一种改进的KNN算法对未知烟叶样品进行分类,结果表明使用改进的KNN算法比传统的KNN算法在产区分类方面更具优势,提高了产区分类的正确率。