中国白酒具有独特工艺特色,在世界上生产消费量最大。因此,白酒的安全在我国食品安全上有着举足轻重的作用。白酒中的乙醛对饮用者的身体健康有危害,并且影响白酒品质。如何精准快速且无损检测乙醛在白酒中的含量具有实际意义。近红外光因波长较短,穿透能力强,具有不受目标检测物质颜色和浓度的影响等特点,可用作快速无损检测技术。但因近红外光谱存在光谱重叠、严重分离度不高的特点,需要结合大量的数学运算与建模技术对光谱进行预处理与校正。近些年计算机领域的机器学习、深度学习、神经网络等算法飞速发展,在食品、医药、医疗和互联网等领域都有广泛的应用,这对近红外光谱的数据分析有重要的意义。本研究将气相色谱测量精准度高的优点,与近红外光谱具有高效、无损、便捷的优点通过机器学习的算法使得二者相结合,从而实现对白酒中乙醛的定量检测。首先准备不同乙醛浓度含量的白酒样本105个（含1空白样本）,分别使用气相色谱测定乙醛含量信息。同时分别获取各个样本的近红外光谱信息,然后经过局部异常因子算法剔除异常光谱信息,再使用KS算法将不同乙醛含量的白酒样本,按照4:1比例划分训练集与测试集。在此基础上,因近红外光谱存在光谱重叠严重,分离度不高的特点。所以通过对光谱进行不同方式的预处理,并分别使用不同建模方式,通过对比各个模型性能,选择出最优方案。为进一步提高模型性能与模型的计算分析速度,使用MIC、Pearson、Random Forest分别或联合提取特征的方法,并通过对比筛选出最优方式。结果:最终确定一阶导数（First derivative,1D）结合Bayesian Ridge建立的预测模型的效果最好。随后通过对比不同的特征提取方式,最终在MIC+Pearson+Random Forest结合物化特征的方法下获得148个有效特征。使用有效特征再次建模优化并经过模型参数优化后,获得的预测模型性能为:预测集上预测数据与气相色谱数据之间相关系数（）值0.9962,预测集上预测数据与气相色谱数据之间均方根误差（）值0.39 mg/L。本研究结合了气相色谱的高精密度的特点,结合近红外光谱的快速、直观的优势,实现白酒中乙醛的快速检测,具有重要的应用价值。