烤烟香型的判别一直是烟草行业的关注焦点.利用中红外和近红外光谱对189份不同香型的烟叶进行分析.分别从中红外谱图数据中提取21个特征波数处以及近红外谱图数据中13个特征波数处的吸光值作为影响因素.通过主成分分析方法分别对选取的中红外、近红外数据进行烟叶清香型、中间香型和浓香型三种香型风格的定性分析.结果表明基于中红外和近红外数据PCA投影图中三种香型混淆严重,区分界面不清晰.随后,将中红外、近红外数据进行融合,将提取的34个特征波数处的吸光值同时代入主成分分析,得到基于中红外和近红外融合数据的PCA投影图.该投影图可以将不同香型的烟叶明显地区分出来.随后利用后退法和遗传算法对中红外和近红外融合后的34个吸光度值进行变量选择,后退法选择出了24个变量,遗传算法选择出了19个变量.对比34,24和19个变量的烟叶三种香型风格的主成分投影图,遗传算法虽然选择了比较少的变量,但其仍然可以将烟叶进行准确的分类.利用遗传算法对中红外和近红外融合后数据进行变量选择,剔除对烟叶香型分类影响小的因素.最后,利用支持向量机建立烟叶清香型、中间香型和浓香型分类判别模型.该模型的建模结果准确率为92.72％,其中清香型、中间香型和浓香型的准确率分别为93.75％,92.11％ 和91.84％.内部交叉验证留一法结果准确率为88.74％,其中清香型、中间香型和浓香型的准确率分别为90.63％,86.84％ 和87.76％.对未知样本预报结果的准确率为86.84％,其中清香型、中间香型和浓香型的准确率分别为88.24％,85.71％ 和85.71％.无论是建模结果、留一法结果和预报结果其准确率都大于85％.研究结果表明中红外和近红外数据融合可以提供更多的特征信息,利用这些信息可以建立烟叶香型风格的分类判别模型,为烟叶香型风格快速鉴别提供帮助.