我国中医药产业正随着政策扶持和人民生活水平的日益提高而蓬勃发展。其中中药已成为中医临床治疗的重要手段,但是中药材种类繁多,同一味药材往往有多处产地,而原产地中药材因独特的地理和人文环境等原因使其在医疗实践中有着更好的功效,其市场价值也更高,巨大的经济利益造成中药材掺假售假行为也愈发增多。目前,中药材供应链中存在节点过多的现象,使得中药材的产地溯源更为困难,传统的产地溯源方法在精度和速度上已难以满足行业所需,因此需要一种准确快速的中药材产地溯源方法以实现在中药材供应链节点中的实时检测,保证药材的质量安全和供应链的稳健。随着人工智能的发展,国家中医药管理局明确指出要以增强信息化理念的方式加速中医药的现代化进展。深度学习一直是人工智能技术的研究重点,但在中药材产地溯源的研究中,深度学习的研究与应用仍处于探索前期。本文将光谱检测技术引入中药材产地溯源场景,采集了四个不同产地黄芪中药材的拉曼光谱数据,并提出了一种基于一维卷积神经网络模型的中药材产地溯源方法,通过优化卷积核的尺寸,改变卷积层提取多尺度光谱特征信息的能力,从而提升模型在训练集和测试集中性能表现。实验结果证明,一维卷积神经网络模型训练集中的准确率、精确率、召回率和F1值均为100%,测试集中的准确率为88.89%,精确率为100%,召回率为88.89%,F1值为0.94,与其他的主流模式识别模型相比,其性能表现最佳,然而也出现了模型过拟合的现象。深度学习需要大规模数据集作为训练基础,训练数据过少容易造成模型的泛化能力不足,上述一维卷积神经网络模型在测试集中的性能表现明显低于训练集,因此增加数据集样本数量从而满足深度学习训练需求也是本文拟解决的核心问题之一。受限于光谱采集成本等因素,一些中药材产地溯源任务中的实际可用数据量较少,难以满足深度学习的大规模数据需求,因而导致模型过拟合加重和泛化能力下降的问题。针对这一问题本文使用CTGAN模型、Gaussian噪声模型和GAN模型进行光谱数据增强,同时优化模型参数,将原有的光谱数据从15个样本扩充至100个样本。为了验证生成光谱质量,本文提出了一种针对生成光谱的多尺度质量评价方法,该方法分别从信号保真质量、关键特征匹配度和模型训练效果三个维度进行综合评价。实验证明,基于CTGAN模型的生成光谱质量最佳。随后将扩充后的光谱数据输入至上述一维卷积神经网络模型中,模型在测试集中的准确率和召回率提升了11.87%,其性能表现有了明显的提升,模型的过拟合现象得到了有效抑制,更好的模型泛化能力也为中药材产地溯源方法的实际应用提供了可靠支撑。本文所提出的基于一维卷积神经网络和CTGAN数据增强的中药材产地溯源方法为中药材供应链节点中的实时产地溯源检测提供了技术支持,也为深度学习技术在中药材产地溯源领域的应用提供了思路。