食源性致病菌是食品安全问题的罪魁祸首。传统的病原微生物检测步骤繁琐，耗时耗力，远远不能满足食品安全控制时效性的要求。近红外光谱可快速高效无损检测待测样本，光谱中既包含样品的物理信息，还承载其化学信息以及生物学信息，已被证明是研究包括细胞和组织在内的生物大分子和复杂的生物系统的一项可靠技术，而近红外技术应用于微生物检测方面也有了初步进展。　　本课题采用近红外光谱透射技术探究液态体系中几种常见食源性致病菌的检测方法。通过采集不同培养时间的大肠杆菌、李斯特菌、金黄色葡萄球菌液培养物的近红外光谱，建立基于近红外光谱检测技术结合化学计量学方法的食源性致病菌在革兰氏阴性菌与阳性、菌种以及亚种水平的鉴别方法。　　1.应用光电比浊法(OD600)得到了各种食源性致病菌菌株的生长曲线，并划分出了几种致病菌的生长阶段。收集处于三个时间点0h、6h、12h的细菌悬浊液的近红外光谱，建立了不同生长时间的食源性致病菌分类模型，偏最小二乘判别分析（PLS-DA）模型的预测集决定系数为0.91，预测识别准确率为88％。　　2.探讨了所研究食源性致病菌近红外光谱的差异，比较了不同的预处理方法对细菌分类效果的影响。以三种食源性致病菌分类为例进行预处理，得到的结果与未经预处理的原始光谱结果相当。此外，比较了不同培养时间对细菌分类的影响，其中，6h与12h模型的预测分类准确率均为93.75%，高于0h样本建立的分类模型预测准确率（81.25%），可见不同培养时间对细菌分类具有较大影响，但考虑到模型的实用性，本研究选择对所有细菌（培养时间0h、6h、12h）进行建模。　　3.建立并比较了PLS-DA、BP神经网络、RBF神经网络以及支持向量机SVM几种机器学习算法所建立的食源性致病菌在不同水平（①革兰氏阴性菌与阳性菌、②菌种水平以及③亚种水平）的分类模型性能。同时，使用了不同优化算法（包括网格搜索算法GS和粒子群优化法PSO）对SVM内部参数（惩罚因子c和核参数g）进行优化。GS-SVM模型对革兰氏阴性菌与阳性菌预测集的误判数为1，预测识别准确率为99.1%，低于RBF神经网络模型预测准确率（100%），但GS-SVM方法对菌种水平、大肠杆菌亚种以及李斯特菌亚种的预测分类准确率均为100%，因此认为GS-SVM是最优的细菌分类方法。　　4.建立并优化了食源性致病菌分类检测简化模型。比较了遗传算法（GA）、连续投影算法（SPA）、竞争性自适应重加权（CARS）和随机森林（RF）等方法在简化食源性致病菌分类识别模型方面的性能。从模型精度、复杂性等角度综合衡量，随机森林（RF）是最优的特征波长选择算法。对革兰氏阴性菌与阳性菌、菌种水平以及大肠杆菌亚种和李斯特菌亚种建模时，利用随机森林分别优选出24、24、31和13个特征波长，而基于这些特征波长实现了不同水平上对预测样本100%的正确识别率。　　本研究建立了基于傅里叶变换近红外光谱技术结合网格搜索支持向量机和随机森林算法的食源性致病菌检测方法，可以实现不同水平食源性致病菌高效、快速检测。