猪肉中营养成分含量丰富,是我国居民最主要的肉食品和动物蛋白摄取来源。然而,在加工、运输和销售等环节中容易滋生细菌,发生变质。为保障消费者权益和预防食品安全问题,需要对猪肉新鲜度进行严格监管。传统的感官评价法和理化分析法分别存在主观性强、测量步骤繁琐与耗时长等问题,难以满足实时检测的要求。近红外光谱分析技术检测速度快、不破坏样本,在食品工业和农业等领域应用广泛。鉴于深度学习具有自动提取数据内在特征的优势,本文融合近红外光谱技术和深度学习方法,研究猪肉新鲜度检测模型的构建,主要包括以下内容:针对光谱数据存在异常值和噪声干扰等问题,研究数据清洗及光谱信息恢复,以提高数据集的质量和可靠性。首先,分别采用基于欧氏距离和马氏距离的异常值剔除法清洗光谱数据集,并对比异常值剔除前后,一维残差网络在测试集上的分类准确率,以判断二者的有效性。然后,研究标准化、平滑、多元散射校正和导数法在光谱信息恢复上的作用,实验结果表明标准化和平滑均可改善数据质量,经二者处理后,一维残差网络在测试集上的预测准确率分别提高了1.03%和0.32%。针对猪肉新鲜度定性分析问题,首先建立了支持向量机、随机森林以及偏最小二乘判别分析常用分类模型,其中支持向量机的分类准确率最高,为90.82%。然后,对一维残差网络进行了改进,将Squeeze-and-Excitation（SE）模块引入残差块,从通道维度提升网络性能,改进后模型的分类准确率被提升至95.53%。实验结果表明SE模块能有效调整通道特征权重,提升模型泛化性,说明深度学习可实现猪肉光谱与新鲜度之间的准确关联。最后,通过消融实验研究了激活函数和SE模块中的池化方式对模型性能的影响。针对目前基于近红外光谱的猪肉新鲜度检测系统开源少的现状,从软、硬件两方面开发设计了一套专用型检测系统。软件平台的设计基于C#语言,以易于交互为导向,涵盖了用户管理、光谱仪对焦、光谱数据采集、样本分析和数据查询等功能。硬件模块的设计以实现光谱仪对焦为目的,主要包括控制器、数字驱动器以及步进电机等单元。该系统界面清晰直观,易于操作,可促进近红外光谱技术在猪肉新鲜度定性分析方面的实际应用。该论文共有图38幅,表9个,参考文献87篇。