我国的茶文化底蕴深厚,茶叶不仅作为一种经济作物,同时也逐渐成为我国核心文化竞争力之一。茶叶的保健功效也逐渐得到了各种科学论证,随着人们对茶叶具有保健功效的观念逐渐深入,茶叶的产量逐年上升。目前对茶叶等级的标准化问题还很模糊,实现对茶叶产地、品种和等级的精确分类一直是学者所探讨的热点。为解决上述问题,本研究基于电子鼻技术和近红外光谱技术,结合了一系列的仿生智能算法和信息融合技术,建立相关的茶叶等级分类模型,实现对茶叶等级较为准确的分类,促进了我国茶叶等级分类标准化。（1）本文首先用电子鼻仪器和近红外光谱仪对茶叶样本进行检测并记录数据。基于数据分析,对原始数据做数据归一化,并利用卷积滤波（Savitzky-Golay,SG）对原始光谱预处理;接着,用主成分分析法对归一化后的茶叶数据降维,减少冗余数据并选取前若干个特征。然后基于电子鼻技术和近红外技术,以支持向量机（Support Vector Machine,SVM）为分类基础模型,对滇红茶叶等级的分类准确率分别为74.29%和85.71%,为后续优化模型的分类结果提供了基础对照。（2）基于电子鼻技术,为了解决SVM模型参数寻优的问题,提出了用基本粒子群（PSO）算法优化SVM模型,搜索惩罚因子和核函数参数的最优组合并得出了对滇红茶叶等级分类准确率为86.43%。为了进一步提高模型的分类准确率,基于PSO算法,本文又提出了综合学习粒子群（CLPSO）算法优化SVM模型。该算法相较于基本PSO算法,改变了它的粒子学习方式,粒子可以向不同维度间优良的粒子学习,同时引入了惯性权重,加强了算法的全局寻优和局部寻优能力,有效地控制了算法的收敛速度,最终获得了87.86%的分类准确率。（3）基于近红外技术,本研究又提出了用差分进化算法DE1（DE/rand/1/bin）和DE2（DE/current-to-best/2/bin）优化SVM模型。DE1与DE2的区别在于变异过程中所需要的差分向量个数和缩放因子个数不同,但是两种算法均能避免算法陷入局部最优或者算法停滞。DE1-SVM模型和DE2-SVM模型对滇红茶叶等级分类分别能获得95.0%和97.86%的分类准确率,但对于黄山毛峰、眉茶和祁红茶叶,采用DE2-SVM也只能得到90%、93.3%、92.14%的准确率。这表明,利用差分进化算法优化SVM模型对某些种类的茶叶（例如滇红）能明显提升等级分类准确率,但对于另外一些茶叶,提升效果较为有限。（4）基于电子鼻技术和近红外光谱技术,本研究又利用了信息融合技术,将电子鼻和近红外建立信息联系,放大样本细节信息,弱化无关信息,并基于CLPSO算法和BBO算法,提出了生物地理学粒子群优化（BLPSO）算法优化SVM模型,其结合了综合学习策略和生物地理学学习策略,实现了对黄山毛峰、眉茶、滇红和祁红茶叶等级较为精确的分类。首先分析电子鼻数据和近红外数据并对其进行预处理,其次分析传感器类型并采用在特征层对电子鼻和近红外数据的特征向量进行信息融合的方法,得出新的特征矩阵作为新的模型输入,最终对黄山毛峰、眉茶、祁红、滇红四种茶叶等级分类的准确率分别为90.83%、97.5%、93.57%和98.6%。