工业4.0的到来推动了制造业向智能化转型。智能制造是工业发展的必然趋势,结合人工智能（Artificial Intelligence,AI）方法实现对天然产物高效、客观的数字化质量评价是烟草及中草药产业发展的关键。我国是烟草种植和生产大国,烟叶的品质保证是烟草行业持续发展的核心。传统的烟叶质量评价方式具有破坏性,主观性强且效果不佳。本文以烟草质量控制为例,以烟叶的近红外光谱数据及其等级、化学成分含量数据作为基础,提出基于AI的近红外光谱技术（Near Infrared spectroscopy,NIRs）的定性、定量分析解决方案。实现烟叶质量指标的准确预测,对烟叶内在质量实现数字化精准把控,同时也为中药现代化和质量标准研究提供了方法基础。在建立模型的过程中,模型算法的选择,模型参数的调整以及样本划分等都非常关键,本文开发的基于AI的NIRs解决方案也围绕这些问题展开。具体研究内容及结果如下:（1）烟叶的品质分级目前主要依赖于行业专家的经验判断,分级结果不够客观、准确。为此,本文建立了基于教与学算法（Teaching-Learning-Based Optimization,TLBO）和极限学习机（Extreme Learning Machine,ELM）模型的烟叶近红外快速品质分级方法。对光谱数据预处理后,选取最佳的变量筛选方法建立ELM模型,并通过TLBO算法优化ELM模型的隐藏层节点数,建立起最佳的ELM模型的同时节省了时间和计算成本。TLBO-ELM模型对上、中、下部烟叶的分类正确率分别为89.13%、89.83%、84.21%,且分类错误的情况均是误判为相邻部位烟叶,在可接受的范围内显示出了优于偏最小二乘判别分析模型的分类效果,NIRs结合TLBO-ELM为智能化实现烟叶等级判定提供了一种新方法。（2）针对不同仪器间的模型转移问题,开发了一种不依赖于标准样品的基于加权极限学习机（Weighted Extreme Learning Machine,Weighted ELM）的迁移学习算法,建立了烟叶中烟碱、氯、钾和总氮含量的NIRs定量分析模型。利用目标域数据建立的集成模型（Weighted ELM-Ada Boost）的预测结果显著优于单一的支持向量机回归模型及Weighted ELM模型,烟碱、氯、钾、总氮定量分析模型的测试集相关系数分别为0.9713、0.8967、0.8792、0.7780,测试集均方根误差分别为0.0776、0.0558、0.1350、0.1048。借助源域的数据,建立了目标域的Weighted ELMTr Ada Boost模型,实现了经不同仪器扫描光谱的样本的校准转移。（3）针对分布不平衡的数据集,本文开发了一种基于聚类和数据降维、可视化（Clustering and Dimensionality Reduction Visualization,CDRV）的样本划分方法,建立了烟草淀粉含量的NIRs定量分析模型。CDRV算法是一种样本划分策略,本文中应用了K均值聚类、主成分分析和t-分布随机近邻嵌入算法。在对光谱进行不同的预处理后,比较了各样本划分方法对偏最小二乘回归模型效果的影响。经CDRV方法划分样本所建立的模型在不同预处理情况下都展现出了最优的模型效果,残留预测偏差均大于2。在小麦和药片公开数据集上对CDRV算法的应用也验证了其可行性。