太赫兹时域光谱技术作为一种新兴的光电探测技术,具有大带宽、高信噪比、强灵敏度等特点,能够快速地获取样品的光学常数,在太赫兹通信、环境监测、食品质量安全等方面都有着巨大的应用前景。然而,该技术在食品安全检测方面还存在识别准确率不高、探测速度过慢等劣势。机器学习作为人工智能领域的重要分支,通过模拟人类的学习行为,进而完成海量数据的处理,同时保持高鲁棒性和运行效率。为进一步探究太赫兹时域光谱技术在食品安全领域的应用,本文利用太赫兹时域光谱技术获取样品的太赫兹光谱,结合机器学习相关算法完成对于物质的鉴别分析研究。本文的主要工作和内容如下:1.通过聚类算法分析物质的光谱信息。对0.3-1.6THz频段内的光谱数据进行特征提取,采用主成分分析结合t分布降维算法将数据降维至二维平面,对比k均值、层次聚类和密度聚类三种算法的聚类效果和模型性能。实验发现使用聚类分析模型可将一组未标识的数据正确分为四簇,符合实际情况。其中k均值相较于其余模型,聚类效果平均提升了 71.2%,同时不存在噪声点的干扰。2.结合监督学习算法的分类模型对混合样本进行分类识别。提出进化支持向量机（EA-SVM）算法,以支持向量机、K近邻、逻辑回归三种传统分类模型作为参考,太赫兹时域光谱技术结合EA-SVM算法将分类准确率和F1评价指标分别提高了 5.8%和5.7%,运行效率平均提升了 55.6%,展现出优良的分类性能。新模型具有更好的可扩展性和更高的预测精度,未来适合应用于食品质量安全的定性检测。