对食用油安全的检测是食品领域的持续性热点,其现有的检测方法存在检测指标范围有限、设备集成化和智能化程度有待提高等问题,而导致无法形成高效的检测系统。因此,需探索食用油检测的新理论和新技术。本文以常见的4种食用油为研究对象,通过傅里叶变换光谱仪和光纤光谱仪获取油品的光谱信息,建立数据集;基于邻域粗糙集属性约简（NRSAR）理论与技术,完成油品信息的降维处理和特征选择;随后建立优化的随机森林和极限学习机算法构建油品识别模型,并与主成分分析的结果做比较;最后采用混淆矩阵的多个指标评价模型的分类性能,确定适合油品鉴别的最优模型。主要内容与结果有下列四部分。（1）使用傅里叶变换光谱仪采集菜籽油、花生油和废弃油在400～800 nm的可见光光谱;此外增加油品种类和使用具有更宽波段的光纤光谱仪,采集菜籽油、花生油、大豆油和废弃油在178～871 nm的油品光谱信息。初步比较与分析后发现各油品光谱曲线的相似度较高,但仍然存在差异性光谱信息,尤其在可见光区域,这反映了各种食用油所含官能团和微量元素等成分的微小差异。（2）针对傅里叶变换光谱仪获取的油品信息,通过NRSAR方法实现了将193个波长约简为10个特征波长,波长数压缩率达到88.61%以上;创建的NRS-RF、NRS-ELM模型的准确率分别为91.67%和93.33%,而PCA-RF、PCA-ELM模型分别为81.67%和90.00%。与特征提取方法进行比较,NRSAR方法在精度、灵敏度、特异度和误判分布等指标上具有指向性优势。因此,在食用油的光谱识别中NRSAR方法和NRS-ELM模型有优良效果。（3）对上述四种食用油,使用光纤光谱仪测量的数据,采用NRSAR方法可将波长数从694约简到18,模型NRS-RF、NRS-ELM的准确率分别为91.67%和94.17%,这优于主成分分析方法的PCA-RF和PCA-ELM模型;考察油品光谱识别的核心指标——准确率,ELM算法优于RF算法。因此,在油品光谱识别中用NRS技术实现的特征选择方法比传统的特征提取方法运行快、准确率高。（4）采用准确率、灵敏度、特异度和误判分布等多个评价指标,评判了各模型对食用油的鉴别能力,确定了邻域粗糙集属性约简算法结合极限学习机模型（NRS-ELM）可作为食用油光谱信息检测的最优模型。本论文的三个创新点如下。（1）成功地将粗糙集理论推广到食用油鉴别领域,采用NRS方法取代了传统方法对油品光谱信息进行特征选择,实现了油品识别,获得知名期刊Applied Optics的编辑的高度评价。（2）在食用油检测领域,紫外和红外区域各油品的差异性光谱信息受到国内外研究者的关注,而对油品可见光光谱信息的研究则较少。因此,本研究完善了光谱法的油品识别方案,这为油品信息的全波段研究提供基础。（3）通过k折交叉验证技术实现了模型优化,采用多个指标评价模型的分类性能,初步建立了基于粗糙集理论的油品识别方案。总之,NRSAR方法能够有效处理高冗余特征的食用油光谱信息,由其得到的特征波长结合K折交叉验证,优化出分类模型,采用混淆矩阵的多个指标对模型进行评价,最终确立了NRS-ELM模型作为油品检测的最优模型。本论文不仅挖掘了油品的更宽光谱信息,而且成功将粗糙集理论与技术应用到油品光谱信息领域,为后续食用油的鉴别创新了方法。