牛奶已成为日常饮食中的重要组成部分,然而牛奶加工过程中菌群总数快速检测方法缺失导致微生物总数超标引发的牛奶安全事件时有发生,而现有的微生物检测方法大多存在耗时长、操作复杂、仪器昂贵等问题。因此本文将紫外-可见光谱法应用于牛奶菌群总数的检测领域中,为乳品工业领域微生物检测提供了新的思路。本研究针对牛奶细菌的特性,将紫外-可见光谱法结合化学计量学应用于定量分析牛奶菌群总数的领域中,并采用国家标准平板计数法进行定标。对于光谱信号存在杂乱信号及内部颗粒光散射现象引起的噪声问题,利用Savitzky-Golay平滑、多元散射校正(MSC)、标准正态变量变换(SNV)进行校正。针对小样本数据容量问题及牛奶成分复杂导致的非线性问题,分别采用偏最小二乘和误差反向人工神经网络建立牛奶菌群总数的关系模型。具体研究内容如下:对紫外-可见光谱检测牛奶细菌进行可行性分析。以等时间间隔(0,2,4,…,20h)在32℃恒温下培养的牛奶的菌群总数为研究对象,利用紫外-可见光谱信息反映牛奶菌群的增长趋势,同时采用国家标准平板计数法进行定标。并利用光谱积分等方法对特征波段进行提取,验证了紫外-可见光谱法检测牛奶菌群总数的可行性。探究光谱信息与牛奶细菌含量之间的相关关系。采用偏最小二乘建立基于原始光谱和预处理后的光谱数据与菌群总数之间的模型关系,结果表明用平滑去噪后的光谱数据建立的偏最小二乘模型参数结果优于原始光谱数据及其他预处理方式所建立的模型结果,但模型均方根误差过大,预测效果不佳。然后,利用误差反向人工神经网络建立了基于原始光谱及三种预处理方式后的光谱数据与菌落总数之间的定量校正模型,结果表明多元散射校正处理的光谱信息所建立的模型预测效果最佳。综合分析表明,经多元散射校正处理的误差反向人工神经网络模型能够有效的表征光谱信息与菌落总数之间的相关关系。