农产品质量安全,关乎百姓的健康与生命,是最大的民生工程,因此农产品质量检测方法需要准确、客观、高效、便捷。电子舌和电子眼是模仿人类味觉和视觉机理研制的用于感官特性检测的新型检测技术,其中模式识别技术对智能感官检测系统检测的准确性起决定性作用。传统智能感官系统的模式识别方法通过人工提取特征并采用传统浅层机器学习模型进行分类识别,模式识别算法较为单一,对提取信息处理能力较差,容易过拟合,泛化能力差,使得模型的检测效率较低。基于以上问题,本文基于多种机器学习方法结合电子舌和电子眼对多种农产品品质进行分析和检测,主要研究内容如下:（1）搭建了一套基于虚拟仪器技术的智能感官电子舌系统,主要由传感器阵列、信号调理电路、数据采集系统和上位机终端组成。搭建了一套基于虚拟仪器技术的智能感官电子眼系统,主要由电子眼软件系统、底盘、支架、照明装置、照明调节装置、电子目镜组成。（2）采用电子舌系统结合多种机器学习的方法分别对5种大米的种类进行分类检测。针对电子舌信号的数据量大、维度高、冗余信息多等特点,对电子舌信号采用离散小波变换（DWT）进行特征提取,随后分别使用BP神经网络（BPNN）、支持向量机（SVM）、最小二乘支持向量机（LSSVM）作为分类识别方法进行模式识别,实验结果表明,LSSVM具有更好的分类效果。由于LSSVM是含有c和γ的多参数模型,其参数的选择会影响最终的识别结果,也是影响模型辨别能力的重要因素。分别采用遗传算法（GA）、粒子群算法（PSO）、灰狼算法（GWO）集群优化算法对LSSVM的参数进行整体寻优。实验结果表明,DWT-GWO-LSSVM分类准确率可达到96.7%,适合于大米种类进行快速检测。（3）采用电子眼系统结合注意力机制的残差网络对健康和腐烂的苹果、香蕉、橙子进行分类识别。针对水果图像分割信息遗失过大、分割效果差的问题,分别在VGG16、Inception V3、Res Net50三种卷积神经网络的基础上,引入SE注意力机制,精准定位并提取水果图像中主体的细节特征。同时为了减少由于水果图像数量不足而造成的过拟合现象,采用迁移学习的方法提高模型的稳定性和泛化能力。实验结果表明,基于注意力机制的残差网络模型对水果图像的平均识别准确率可达到84.8%,适合于对水果品质的快速检测。