近些年来,中国不断推进国内食品质量安全监控与预警工作的发展,大幅减少了有关食品安全事件的发生,尽最大可能保障了人民群众的食品安全和身体健康。然而,随着食品生产工艺的快速发展,出现了更多前所未有的安全事件。食品安全问题仍然是一个关乎民生大计的问题,受到政府和人民群众的高度关注和重视。在白酒及婴幼儿奶粉两类典型食品中,传统白酒品质鉴别方法有品尝法、电子鼻以及色谱仪检测等,但这些方法费时费力,具有一定局限性。而婴配粉质量安全预警方法往往有很强的主观性,仅仅依靠相关机构的部分检测数据,安全预警性能有待提升。针对市场上出现的以工业酒精勾兑白酒为代表的假酒及婴幼儿奶粉两类典型食品安全问题,本文研究了基于机器学习的白酒品质分类及婴配粉安全风险预警,主要工作有:1、针对白酒品质分类问题,提出了一种生成对抗网络WGAN-GP与CNN-based SAE相结合的深度学习Li Net网络。该网络主要由两部分组成:数据增强部分与分类器网络。首先,使用生成对抗网络WGAN-GP学习白酒离子迁移谱的数据分布并生成具有相同分布的数据,来达到数据增强的目的。其次,在传统堆栈自编码网络（Stacked Auto Encoder,SAE）的基础上,利用一维卷积网络设计了适合白酒离子迁移谱数据的CNN-based SAE网络。实验结果表明,与目前的时序分类网络相比,本文提出的Li Net网络在白酒数据集上拥有更出色的分类性能。2、提出了一种基于时间序列分解（Seasonal-Trend Decomposition Procedure Based on Loess,STL）的STL-XGBoost婴配粉风险等级预警方法。首先,将婴配粉污染物抽检数据通过STL方法分解为趋势分量、周期分量及残差分量,并结合国家检测标准使用Soft Max方法确定污染物区间风险等级。同时,使用熵权法确定不同污染物对于婴配粉风险等级的权重。然后,使用XGBoost训练婴配粉数据集,并使用贝叶斯优化对XGBoost进行参数调优。最终,结合模型预测风险等级与污染物权重,给出婴配粉污染风险等级。实验结果表明,与目前的机器学习方法相比,STL-XGBoost方法在婴配粉数据集上具有更优的预警性能。