食源性致病菌检测是一项重要的工作,传统实验室检测方法,会对样本造成不可逆转的破坏,且检测时间长,容易出现假阳或假阴现象。拉曼光谱技术作为光谱分析技术的一种,近年来发展迅猛,由于拉曼光谱的形成与物质内部特定分子的性质有关,不同种类的食源性致病菌其嘌呤、多肽、蛋白等分子的构成与性质也不一样,所以能利用拉曼光谱对食源性致病菌进行检测与鉴别。与传统生物学检测方法相比,拉曼光谱检测最大的优点就是能对样品做到无损检测,且拉曼光谱技术与计算机系统结合,能减少分析时间、提高识别准确度,能最大程度提取和挖掘光谱中的有效信息。本文大肠杆菌O₁₅₇:H₇和鲁氏菌S2株两种食源性致病菌拉曼光谱由中国人民解放军军事科学研究院长春兽医研究所提供采集。原始拉曼光谱存在噪声、荧光背景、数据维度大等问题,若仅依靠人工识谱判别,将会产生识别误差。针对此问题,本文建立智能化的食源性致病菌拉曼光谱识别模型,首先对初始拉曼光谱进行了归一化、降噪、去除基线,随后使用主成分分析法对其进行降维,最后研究了多个基本分类器,并受人工神经网络启发,提出融合模型来进行分类识别,实验结果证明融合模型具有较好的分类效果,本文主要工作内容如下:（1）研究了拉曼光谱原理,从电磁学和量子力学对拉曼光谱进行解释,并对拉曼光谱仪以及其内部各功能单元的工作模式、参数选择做了介绍。（2）在拉曼光谱预处理和特征降维阶段,使用移动平均滤波、移动中值滤波、Savitzky-Golay滤波对实验数据进行降噪处理,通过信噪比和均方差两个指标,筛选出降噪效果最好时的滤波器参数;使用主成分分析法对原始拉曼光谱做特征降维,实验结果表明,原始拉曼光谱数据降至三维时,其贡献率到95.41%,在空间上有较好的区分度。（3）将KNN、逻辑回归和支持向量机用于构建智能化食源性致病菌拉曼光谱识别模型的建立,受人工神经网络多层神经元结构启发,提出融合分类模型,将KNN和SVM作为第一层分类器,LR为第二层分类器最后输出分类结果,实验结果证实其准确率达99.73%优于单个分类器,能对大肠杆菌O₁₅₇:H₇和鲁氏菌S2株做出精准识别。