猪肉是全球最喜爱食用的肉类之一,随着人民生活水平的不断提高,人们在猪肉消费的过程中对质量和安全提出了更严格的要求。目前市场上出现的冷冻肉冒充新鲜肉现象所带来的安全隐患和品质问题引起了人们极大的关注。与感官分析、理化检测等传统鉴别方法相比,近红外光谱分析技术拥有无损、快速、绿色等众多优势。提高检测的准确度与稳定性是近红外光谱分析技术的关键所在,目前对预测性能的优化研究基本聚焦在光谱数据预处理以及有效特征波段的筛选等方法上,而对相关光谱预测模型的提出与改进方面少有涉足。卷积神经网络(Convolution Neural Networks,CNN)是一个拥有高性能和深度结构的学习模型,与传统神经网络不同的是,其将特征提取和模型训练两个过程有机的结合在一起,从多维且冗杂的光谱数据里面自动获取相关的重要信息用于训练,避免了复杂的特征工程和繁琐的数据预处理工作。因此,本研究创新性的将卷积神经网络算法引入近红外光谱分析,并应用在新鲜-冷冻猪肉判别方向。首先,利用近红外光谱仪分别采集新鲜与冷冻不同天数的猪肉样本光谱曲线,经过对异常样品的剔除等预处理操作,得到本实验的数据集;然后,通过系列实验,设计并优化卷积神经网络模型,实验表明,使用基于卷积神经网络的判别模型可以获得比传统模型更好的预测精度,准确率达到97%,验证了基于卷积神经网络的新鲜-冷冻猪肉判别模型的可行性与有效性;其次,考察了不同预处理方法、不同训练集数量对模型的影响,从多个角度对卷积神经网络模型的优势进行分析;最后,本文基于Python语言的Keras神经网络框架,设计并实现了一个基于卷积神经网络的新鲜-冷冻猪肉判别系统,能够对采集到的猪肉光谱进行在线、实时判别。