大米会随着储存时间的延长而产生品质变化,如果储存条件不合适,特别是湿度过高,大米甚至会产生霉变,严重危害身体健康。大米产地不同,其品质相差也较大,市场上存在不法商贩给低品质大米贴上优质产地标签的现象。针对大米品质监测和产地辨识需求,本文使用电子鼻和高光谱技术获取大米气味和光谱信息,选用稻花香和圆粒香两种大米为研究对象开展了不同湿度条件下的大米品质变化研究,以吉林地区周边7个农场的稻花香大米品牌为对象开展了产地辨识研究。针对气味信息和光谱信息的内部结构复杂、数据间关联性强、数据量有限且包含冗余信息等问题,本文提出了交错注意力卷积压缩网络（Interleaved Attention Convolutional Compression Network,IACCN）和超轻量化动态注意力网络（Ultra-lightweight Dynamic Attention Network,ULDAN）两种数据处理方法来对深度特征进行有效挖掘,减少模型复杂度以及提高分类识别准确率和性能稳定性,从而实现不同湿度条件下大米品质监测和7个吉林地区地理位置相近农场的稻花香产地辨识,主要结论如下:（1）基于气味与光谱融合数据建立的不同湿度条件下大米品质监测模型,IACCN和ULDAN都取得不错的结果。对于稻花香,ULDAN在75%RH时取得最高的分类准确率为98.50%,对于圆粒香,IACCN在75%RH时取得最高的分类准确率为99.10%。此外,通过电子鼻传感器响应雷达图得出大米储藏在不同湿度,不同储藏时间下,它的传感器响应值不同,其中W5S和W1W传感器响应更明显。结果表明,电子鼻和高光谱这两种技术都可以实现不同湿度条件下大米品质监测,其中融合数据集的分类准确率最高,其次是电子鼻数据集、高光谱数据集最低。（2）基于气味与光谱融合数据建立的7个吉林地区地理位置相近农场的稻花香大米产地辨识模型,IACCN的分类准确率为80.16%,ULDAN取得最高的分类准确率为85.50%并且有最好的性能稳定性。结果表明,融合数据集的分类结果要远远大于单一数据集。以ULDAN为例,融合数据集的分类准确率优于电子鼻数据集15.00%,优于高光谱数据集16.50%。