卷烟产品的质量稳定是烟草企业创新发展的内在动力,而卷烟配方的维护则是保证产品质量的关键。传统的卷烟配方维护主要依靠专家经验和人工评吸,主观性强且效率低下,浪费了大量原料,严重影响了企业的长远发展。因此烟草企业迫切需要结合智能方法,实现对烟叶的高效、客观数字化质量评价和配方维护,以保证产品在生产过程中质量的全线链条稳定。本文针对烟草企业配方维护工作中遇到的问题,基于烟叶近红外光谱数据和叶组配方维护数据,结合光谱相似性度量和数据挖掘技术,研究出一种快速可靠的数字化配方维护方法体系,具体研究内容如下:（1）针对近红外光谱数据非线性、高冗余、高噪声导致在距离度量时出现的“距离失效”问题,提出了基于核映射的rank-order距离局部保持投影（KRLPP）相似性度量算法,该方法在经典局部保持投影算法（LPP）的基础上,引入核映射,将光谱数据映射到更高维的空间,最大程度的保证流形结构的非线性特征;并将LPP算法中常用的欧式距离度量替换为rank-order距离,通过共享局部邻近点的信息来重新度量样本点的相似关系,最后在低维空间实现烟叶的相似性度量。为了验证该方法的有效性,首先从降维效果方面与PCA、LPP、INLPP进行了对比,实验结果表明该方法对于烟叶不同部位区分能力明显优于其它算法。然后分别采用PCA、LPP、KRLPP为配方中的目标烟叶寻找替换烟叶,并通过内在化学成分和感官评价两种方法对所推荐的替换烟叶进行质量评价分析,实验证明KRLPP算法对于配方维护中寻找相似替换烟叶的效果最好,得到的替换烟叶与目标烟叶在化学成分和感官质量上更加接近。（2）卷烟配方维护中需综合考虑每种单料烟的等级、部位、产地等因素的影响,而目前对于配方维护规律的挖掘多局限于烟叶的单个属性,导致挖掘出的规律对配方维护工作指导意义不大。本文针对此问题,充分考虑单料烟内在的多维属性对最终维护结果的影响,提出了基于Hash表的多维FP-Growth关联规则算法。在对数据库进行扫描时,利用Hash表存储FP-Growth算法中项头表中的项目的信息,无需每次都从头遍历线性顺序表,有效的提高了算法的效率。同时多维关联规则算法综合单料烟等级、部位、产地等多种影响整体配方的关键属性,将配方单中积累的单料烟间的配伍规律和替代规律等专家经验进行挖掘,使得挖掘的替换规则更具有指导性和参考价值。最后将挖掘出的单料烟替换规律结合KRLPP相似性度量算法制定配方维护设计方案,解决了配方维护中相似烟叶的寻找和单料烟的替换问题。本方法可直接用于指导叶组配方的设计和维护工作,提高了配方人员的工作效率,保证了产品质量的稳定性,提升了烟草企业的配方研发的综合竞争力。