近年来,动物血液鉴定在进出口、食品安全以及卫生等领域有着众多的实际需求,亟需快速、准确的动物血液识别方法.光谱技术在血液检测与识别方面的现有研究结果主要集中在对人体血液或是某一种动物血液的光谱分析,不同物种间血液光谱的识别分类研究相对较少.本文结合统计机器学习方法,针对鸽、鸡、鼠、羊4种动物血液荧光光谱的识别分类展开研究,主要研究工作包含如下几个方面:1.借助统计学方法对4种动物血液光谱数据集进行集中程度、离散程度、数据分布等统计分析,使用Shapiro-Wilk正态检验法和相关系数法对荧光光谱的强度特征进行了正态性检验和相关性分析,采用小波软阈值去噪方法对光谱强度特征进行了不同分解层数的去噪探究.2.针对4种动物血液荧光光谱,探讨了基于支持向量机的识别分类方法.在特征提取过程中,结合区分度统计量法,主成分分析法以及平均影响值算法对原始光谱强度特征及其变换特征进行了特征提取;在识别分类过程中,结合支持向量机多分类器和粒子群优化算法进行了参数优化.使用该方法,对不同小波阈值去噪分解层数下的交叉验证结果进行了分析.3.针对4种动物血液荧光光谱,探讨了一种基于深层信念网络的动物血液荧光光谱识别分类方法.首先,使用原始光谱强度特征作为网络输入特征,并对网络参数进行了初始化设定.然后,通过交叉验证法确定了最优的网络层数,使用模型重构误差对迭代次数进行了调整.最后,借助交叉验证评价法,将该方法与基于支持向量机的识别方法进行了全面的对比,并探究了小波阈值去噪分解层数对模型识别性能的影响.