《食品科学》：西南交通大学周嘉裕副教授、泸州老窖股份有限公司贾俊杰高级工程师等：光谱智能分析技术在白酒生产中的应用研究进展

白酒作为传统固态发酵蒸馏酒的典型代表，其酿造工艺涵盖复杂的微生物群落动态演替和多阶段的代谢转化过程。从原粮分析、酒曲质量检测、窖泥分析，到酒醅发酵检测以及成品酒品质控制，每个关键环节都需要对白酒相应物料中的各类物质（如微生物、营养成分、代谢产物及风味物质等）进行系统检测与分析。目前，液相色谱、气相色谱-离子迁移谱和气相色谱-质谱联用等技术广泛应用于白酒香气成分检测中，但存在周期长、成本高、操作复杂等问题；而传统化学分析方法检测过程复杂且耗时，感官品评结果易受评酒人员主观因素影响，均难以实现在线快速检测。因此，开发高效、快速、无损的检测分析方法对白酒生产与研究具有重要作用。

光谱分析技术利用物质对光的发射、吸收和散射特性实现成分鉴别与定量分析，具有检测速度快、精度高、无需前处理及可原位在线监测等技术优势，为优化发酵工艺、提升白酒品质提供了坚实的数据支撑。该技术体系的演进脉络完整涵盖了从荧光光谱、红外光谱等经典技术，到近红外光谱等现代常规技术，再到拉曼光谱、高光谱成像等新兴前沿技术的技术链条，能够覆盖从微观分子结构到宏观物质分布的广泛检测需求。然而，现有光谱技术在实际应用中仍面临诸多挑战，包括数据量少、标注困难、噪声敏感、多标签耦合及设备成本较高等问题。此外，传统化学计量学方法如主成分分析（PCA）、主成分回归、偏最小二乘（PLS）和偏最小二乘回归（PLSR）等，在处理光谱数据时会改变变量的原始表示形式，通过降维处理，将高维、共线性的原始光谱数据转化为低维、去相关且保留主要信息的综合特征变量，制约了模型的解释性与适用性。在此背景下，人工智能（AI）算法凭借其强大的特征提取和模式识别能力，为光谱数据分析提供了新的技术路径。光谱智能分析技术是一种结合光谱分析技术和AI算法的先进方法，通过解析光谱数据信息实现物质的精准、快速分析，广泛应用于食品、农业、医药、环境监测、材料科学等领域。

目前，光谱智能分析技术在白酒行业中的研究与应用虽日益增多，但尚缺乏系统性综述。为此，西南交通大学生命科学与工程学院的陈泽燕，周嘉裕*，泸州老窖股份有限公司的贾俊杰*等系统梳理应用于白酒生产领域的光谱分析技术，以及适用于白酒光谱数据分析的传统机器学习与深度学习方法体系，进一步综述该技术在原粮、酒曲、窖泥、酒醅及成品酒等酿造全链条中的应用现状。最后，展望该技术在智能制造背景下赋能白酒生产的发展趋势，以期为后续研究提供参考。

1

光谱分析技术概述

光谱分析技术通过探测物质与光相互作用产生的光谱信号，获取样品组成、结构信息。根据其物理原理及光谱范围的不同，光谱分析技术涵盖多种类型，各具独特的检测优势与应用场景。本节将重点介绍在食品生产中已被验证有效且潜力显著的光谱分析技术（包括荧光光谱、拉曼光谱、单细胞拉曼光谱、近红外光谱和高光谱成像等），并系统梳理其核心原理、技术特点及典型应用。5 种技术的核心原理与特性比较见表1。

1.1 荧光光谱技术

荧光光谱是一种基于物质吸收光能后发射荧光进行分析的光谱技术，通过分析荧光信号的强度、波长等特征参数，实现发酵体系中多种化学成分的快速、无损检测。其中，三维荧光光谱结合激发-发射矩阵与多元校正方法，能同步解析复杂体系中的多种荧光基团，适用于发酵产品的静态鉴别与分类。毛立新等通过荧光光谱结合PCA，准确鉴别了山西老陈醋的品牌与年份，刘沐涵等利用三维荧光光谱结合PCA和因子分析，对12 种市售含乳饮料进行聚类分析，准确区分了配制型、发酵型和乳酸菌饮料3 类样品。

1.2 拉曼光谱技术

拉曼光谱是一种基于非弹性光散射的分子光谱分析技术，通过检测入射光子与分子发生非弹性相互作用后产生的特征拉曼位移，实现对样品分子结构的表征，获取反映化学键与官能团信息的“振动光谱指纹”。该技术凭借其高特异性、对水分不敏感及适于无损分析的优势，已成为发酵体系中物质鉴别及异构体分析的关键技术。研究表明，拉曼光谱既可实现荔枝酒乙醇体积分数的快速、高精度定量分析，也能监测发酵过程中蛋白质构象的动态演变，如在牛肉干发酵中准确识别蛋白质结构变化的关键阶段与最适发酵剂。

1.3 单细胞拉曼光谱技术

单细胞拉曼光谱将拉曼散射与显微光学技术结合，无需标记即可非破坏性地获取单个细胞的化学组成“指纹”，提供核酸、蛋白质、碳水化合物与脂类等关键生化组分信息，快速反映细胞的功能表型及其生理状态。单细胞拉曼光谱已成功应用于微生物单细胞水平的分析与调控：在细胞质量评估中，其检测结果与传统方法高度相关（Pearson相关系数平均值为0.933），并将有活力但不可培养状态细胞的检测灵敏度提升了17.9%；在代谢过程研究中，该技术动态揭示了2.0%果糖可抑制Cupriavidus necator H16菌株蛋白质合成，同时促进β-羟基丁酸积累，从单细胞水平为碳源调控代谢流向提供了直接证据。

1.4 近红外光谱技术

近红外光是介于可见光和中红外光之间的电磁辐射波，波长为780～2 526 nm，近红外光谱是由分子振动的非谐振性产生，可反映样品中分子倍频和合频的能量吸收，其吸收特性主要与含有—CH、—OH、—NH和—SH 结尾的官能团相关，能提供官能团的分子结构和组成信息，适用于复杂发酵体系的高效定量分析，一方面体现为对多组分的同步检测，如赵星等成功实现了对花生籽仁中粗蛋白、粗脂肪、油酸、亚油酸的快速定量；而另一方面则在于对关键指标的高精度预测，如佘之蕴等 构建的酸度模型，预测集决定系数为0.922 5，最大相对误差小于6.76%，展现了该技术在关键指标分析中的稳健性与可靠性。

1.5 高光谱成像技术

高光谱成像是一种结合成像技术与光谱分析的无损检测方法，能够同时获取样品的二维空间信息及连续的光谱维谱数据，生成具有高光谱分辨率的三维“数据立方体”，实现非接触式成分识别与定量分析。高光谱成像技术凭借“图谱合一”的特性，在产品品质无损检测中展现出重要的应用价值，例如，单佳佳等实现了苹果内外品质的同步检测，对表面摔伤的识别准确率达92.6%；孙梅等则进一步结合PCA，成功区分了苹果的风伤与压伤类型，确定714 nm为识别苹果风伤识别的最优特征波长。

光谱分析技术虽能为发酵过程提供关键的原位、多维信息，但其实际应用仍因发酵体系的复杂性而受到限制，例如，发酵液存在显著的光散射效应与强烈的自发荧光背景干扰，导致采集的光谱信号严重衰减、背景噪声显著增强；此外，高光谱成像所产生的高维数据流也难以满足在线监测控制的实时性要求。因此，针对上述由基质干扰、信号重叠及数据高维性所产生的分析瓶颈，亟需引入能实现高维非线性建模与智能特征提取的先进AI算法，从而为发酵过程的智能监测提供新路径。

2

AI算法模型在光谱分析中的应用

AI作为一门跨学科的前沿技术领域，涵盖多个子领域。在光谱数据分析中，机器学习已成为处理高通量实验数据的核心工具，能有效挖掘高维数据中隐含的结构特征与变化趋势。机器学习作为AI的重要分支，通过构建能处理大规模数据并自主学习解决复杂问题的计算模型，显著提升了数据解析的能力与效率。在发酵食品的光谱分析中，机器学习方法已广泛应用于成分识别、品质评估与过程监控，主要包括传统机器学习算法和深度学习模型。

传统机器学习算法主要包括支持向量机（SVM）算法、最小二乘支持向量机（LS-SVM）算法、支持向量机回归（SVR）、随机森林（RF）算法、极限梯度提升（XGBoost）算法等；深度学习模型主要包括人工神经网络（ANN）、卷积神经网络（CNN）、反向传播神经网络（BPNN）等。表2比较了这8 种主流机器学习算法的核心原理与特性。

总体而言，在发酵过程智能化建模中，传统机器学习算法基于显式特征与浅层架构，在应用中需遵循严格的任务适配原则：对于分类与识别任务，SVM与RF分别在处理小样本非线性问题与高维数据、抗过拟合方面各具优势。对于回归与预测任务，LS-SVM（求解效率高）、SVR（对噪声鲁棒）与XGBoost（预测精度高）构成了覆盖效率、稳健性与精度不同需求的解决方案。深度学习模型的选择与应用主要取决于其内在网络结构和功能定位。该技术的发展始于以BPNN作为核心训练方法的前馈神经网络，为光谱数据的非线性建模奠定了理论基础。随着模型构架的演进，逐渐形成了定位明晰的模型谱系：ANN作为通用函数逼近器，适用于复杂光谱的高精度回归；CNN则凭借其局部连接与层次化特征提取机制，在高维光谱信号与图像数据的端到端建模中表现出显著优势。

这些方法各具特色且功能互补，共同构成了发酵工业智能化建模的多层次技术体系，为不同场景下的建模需求提供了系统的解决方案。深入探究光谱智能分析技术在食品发酵中的应用，能推动发酵产业向智能化、精准化转型升级，提高生产效率与产品质量，增强市场竞争力。

3

光谱智能分析技术在白酒生产中的应用

相较于传统检测方法（如化学分析法）的前处理复杂、检测周期长、无法满足实时监控需求的技术局限，光谱分析技术和AI联用展现出显著优势。光谱智能分析技术在白酒发酵过程中的主要应用场景如图1所示，由于其具有动态感知与实时决策能力，以及多维度数据融合解析、自适应建模体系、数字化质量溯源等优势，已在白酒工业化生产的质量控制和工艺优化中逐渐发挥重要作用。

3.1 酿酒原粮品质的快速筛查

白酒酿造的主要原粮有高粱、大米、玉米、小麦、糯米等，其品质直接影响最终白酒的产品质量，不同类型的白酒对原粮种类和特性具有特定要求，因此原粮的质量控制尤为关键。近年来，光谱分析技术在白酒原粮品质检测中提供了快速、无损的检测手段，显著提升了原粮质量控制的效率和准确性，从而确保白酒生产过程的稳定性与成品酒的安全性。

在各类光谱分析技术中，近红外光谱技术因其快速分析、无需复杂前处理和多组分同步检测等优势，被广泛应用于酿酒原粮种质鉴定、出酒率及微量成分产量预测；酿酒原粮中的蛋白质、淀粉等成分所含的氢基团在特定波长区域展现出特征性的吸收峰，通过整合不同产地、品种、生长环境下样本的光谱数据，可建立高精度的定量分析模型。Burns等基于近红外光谱技术，结合SVM构建的玉米籽粒水分含量的高精度定量预测模型，在独立测试中表现出优异的预测性能，Spearman相关系数达到0.852。吕都等通过近红外光谱建立的SVM判别模型能快速判别小麦霉菌污染，交叉验证正确率为98.89%，训练集及外部独立验证集正确率均达100%；Carbas等则通过PLS和ANN分别建立了玉米伏马毒素B1（FB1）、伏马毒素B2（FB2）定量预测模型，结果显示，ANN在预测FB1和FB2总浓度时的预测性能优于传统的PLS，预测集决定系数为0.902 5。

除近红外光谱技术外，高光谱成像技术也在原粮与发酵过程监测中发挥重要作用。该技术通过融合光谱与图像信息，在发酵过程监控中展现出重要潜力。Xu Peng等采用高光谱成像技术结合SVM、ANN、可变形卷积神经网络（DCN）等多种机器学习算法，在玉米种子活力鉴定中取得显著成效，其DCN模型判别率最高，达92.06%；补友华等 通过PCA提取光谱特征，建立了性能显著的遗传算法（GA）-BPNN高粱淀粉预测模型，直链淀粉和支链淀粉的分别为0.992 2和0.933 6。

优质原粮是保障白酒发酵过程顺利进行和提升产品质量的基础，光谱智能分析技术的应用为原粮品质管控提供了高效解决方案，及时筛选剔除不合格原粮，保障白酒发酵工艺的稳定性，对提升产业经济效益与产品质量具有关键作用。

3.2 酿造过程的智能监测

白酒酿造是由多样化微生物群落代谢活动共同驱动的过程，涉及多种复杂的生物化学反应。然而，传统监测方法主要依赖人工经验与离线抽样检测，难以监测发酵过程中微生物代谢、物质转化与环境因子互作的连续动态变化，因此，对关键环节进行实时、无损、动态的监控，对于过程管理的优化、操作策略的实时调整以及产品品质的提升具有重要意义。

3.2.1 酒曲质量评估

酒曲作为中国特有的固体糖化发酵剂，主要包括大曲、小曲以及麸曲等类型。其中，大曲作为中国最古老的发酵剂，通常以小麦、大麦、豌豆、玉米为原料，经压块成型后通过自然发酵或人工接种微生物制成，为发酵过程提供了丰富的酶类、风味前体物质以及多样的微生物，其品质直接影响基酒的质量。

发酵过程中微生物群落和环境条件互作是影响大曲品质的主要原因，直接表现为糖化力、液化力、还原糖含量及总酸等关键指标的动态变化。因此，对上述指标进行实时、动态监测，是评估大曲发酵状态、实现过程优化的重要环节。近年来，随着光谱与成像技术的发展，大曲质量检测方法逐步从传统经验判断向智能化、高精度方向转变。在微观尺度上，单细胞拉曼光谱技术为微生物研究提供了新途径。如徐磊及其团队基于光谱数据的特征峰建立的SVM模型，预测与期望值的平均误差小于1%，且能在60 min内完成大曲中6 种海洋杆菌物种相对丰度的精准预测；Xu Lei等应用单细胞拉曼光谱与氘同位素探测技术，在单细胞水平上对高温大曲微生物群落的原位代谢活性进行了定量评估；同时基于拉曼指纹特征构建的二维CNN模型，实现了大曲代谢活性模式的高精度区分，准确率达99%。

在宏观尺度上，高光谱成像技术通过同步获取大曲的光谱与空间信息，为建立酒曲质量评价模型提供了全新途径。Xie Liangliang等构建的CNN-Transformer混合深度学习模型，在发酵阶段定性判别中准确率达95.14%，并实现了对关键理化指标（液化力与糖化力）的定量预测，最高达0.959 8。在具体指标检测中，刘亮等通过全波段和特征波段光谱数据建立的PLSR和LS-SVM模型，实现了还原糖含量的快速检测；此外，酸度值在大曲质量评价中至关重要，孙婷等进一步采用标准正态变量校正（SNV）、连续投影算法（SPA）和LS-SVM建立的酸度值优化模型效果最佳，为0.913 2，实现了大曲不同发酵时期酸度值的快速测定及空间分布可视化。

目前，小曲与麸曲的光谱智能分析的相关研究仍处于初始阶段，现有成果尚未构建完整的研究体系；但该技术在发酵产物检测、品质分析等领域已显示出应用潜力。小曲以米粉为原料，糖化力高、发酵周期短；麸曲则以麸皮为原料，发酵时间短、成本低，理论上，通过建立小曲特定原料或麸曲麸皮基质的光谱智能分析模型，在构建小曲与麸曲的质量预测与分级系统中具有很大的应用前景。

现代光谱与成像分析技术正在逐步革新酒曲质量的评价体系，为其生产过程的无损、快速和精准监控提供有力支持，从而保障白酒酿造的整体品质与稳定性。

3.2.2 窖泥状态感知

窖泥是窖池内壁和底部的特殊发酵黏土，作为白酒酿造的基础，其时空异质性直接影响发酵的稳定。它不仅为微生物提供了适宜生长的物理化学环境，还通过其内部微生物代谢产生丰富的风味物质，调节发酵环境，对白酒品质和风味的形成起决定性作用。近年来，随着智能传感与光谱分析技术的发展，光谱成像技术与AI算法的结合为窖泥质量的快速、无损检测提供了新途径。

在近红外光谱的应用方面，为解决窖泥质量评估的时效性问题，Ning Yu等将近红外光谱与AI算法结合，开发了白酒发酵过程中窖泥质量的智能评估系统，该研究通过偏最小二乘判别分析（PLS-DA）和SVM构建的分类模型，对新、老窖泥的鉴别准确率达100%，显著优于传统的理化分析方法；同时采用PLSR和SVR建立的定量模型，能准确预测窖泥总碳、总氮和总磷含量，均大于0.92。

高光谱成像技术因其能够同时获取光谱与空间信息，在窖泥成分可视化定量分析中展现出显著优势。张晓兵等建立的LS-SVM模型在预测窖泥总氮含量中效果最佳，为0.987 6，并进一步实现了窖泥样本的总氮含量可视化；Hu Xinjun等采用高光谱成像技术结合粒子群优化（PSO）算法建立的PSO-LS-SVM模型，在窖泥总氮和氨氮的快速定量分析中显示出优异的模型泛化能力，大于0.96。朱敏等通过融合近红外与可见光波段高光谱数据，构建了SNV-SPA-SVM预测模型，实现了不同窖龄、层次窖泥总酸度的可视化，为0.999 1；同一时期，该团队检测了新、老窖泥中的水分分布，为0.995 3，预测集均方根误差（RMSEP）为0.002 9，生成的水分空间分布图清晰展现出老窖泥水分更均匀、窖内水分自上而下递增等关键特征，为实时、在线评估窖泥空间异质性提供依据。

尽管光谱智能分析技术在窖泥研究中的应用尚处于发展阶段，但其在质量控制与过程监控方面已显示出重要潜力。该技术能够实时反馈窖泥状态，实现窖泥理化指标的无损、快速定量与空间可视化，有助于及时调整工艺参数，防止窖泥酸化和老化现象的发生。

3.2.3 酒醅发酵监测

酒醅是白酒酿造过程中各种原料、发酵产物和微生物的混合体，分为入窖酒醅和出窖酒醅。其关键参数的动态变化直接决定出酒率与酒体风格，因此酒醅成分的实时监测对于精准调控发酵进程、保障白酒品质和风味稳定性起着关键作用。近年来，高光谱成像和近红外光谱技术在酒醅成分定量分析领域已展现出显著的应用价值，通过对水分、酸度、淀粉和乙醇体积分数等关键指标的快速检测，为白酒酿造过程的智能化监控提供了有效手段。

在近红外光谱建模方面，为实现酒醅总酸的快速检测，王琦标等构建的CNN定量模型预测性能优于PLSR和BPNN模型，为0.955 5，RMSEP为0.039 1 mL/g；熊雅婷等构建的PLS-LS-SVM融合定量模型，在预测发酵谷物中的乙醇体积分数、淀粉、含水率及总酸等多项性能指标上均优于传统方法，为发酵谷物质量的快速、无损检测提供了可靠手段。同时，高光谱成像技术的应用进一步拓展了酒醅检测能力。Han Lipeng等通过高光谱成像数据建立的XGBoost模型在酒类发酵谷物的水分和酸度预测中，显示出优异的模型性能。Liang Yan等基于多源光谱数据构建的SVM-AdaBoost集成模型，实现了酒糟发酵过程中淀粉和乙醇含量的精准预测，均大于0.996。

光谱智能传感技术在酒醅关键参数检测中已展现出显著优势，尤其在多指标同步分析与模型泛化能力方面表现突出。随着更多先进算法与传感策略的引入，该技术有望在白酒酿造过程监控中发挥更核心的作用，推动传统酿造工业向智能化、精准化方向持续发展。

3.3 成品酒的快速评估

在世界六大蒸馏酒中，中国白酒由于加工工艺不同，导致了其成品酒香味组分更为复杂、组分种类更多、含量跨度更大。传统鉴定方法存在主观性强、检测效率低、检测范围有限、标准化程度低等局限性。因此需要检测效率和准确性高、成本低的技术支持。

3.3.1 等级测定

白酒品质等级良莠不齐，检测过程中存在感官评价方式主观性强、传统方法效率较低且存在污染的问题，快速、精准判别成品酒的品质等级对于酒企维护品牌声誉、保障消费者权益有重要意义。白酒原酒是发酵好的酒醅经过蒸馏后得到的半成品酒，其等级的准确鉴别是白酒分级贮藏和勾兑的重要依据，对白酒质量控制至关重要。

近红外光谱技术结合多种AI算法已被广泛应用于白酒基酒的等级判别，逐步建立起一套较为完善的定性分析体系。例如，张维等融合气相色谱-质谱联用与近红外光谱获取关键风味成分信息、基于竞争性自适应重加权算法筛选特征变量，并通过XGBoost构建了具有较高准确率的原酒等级鉴别模型。类似地，宗绪岩等 利用LS-SVM建立的白酒基酒等级预测模型具有较高的准确性与可靠性，RMSEP为0.213 4，相对预测偏差（RPD）达到44.72；在基于降维与特征优化的建模方面，杨国迪建立的BPNN模型，在不同等级的杜康白酒基酒样品检测中展现出最优的分类性能；曹梦德等则基于机器学习混合特征选择方法，建立了浓香型白酒基酒等级判别模型，将交叉验证递归特征消除与XGBoost相结合的方法特征提取效果最优。

类似方法也被应用于其他香型白酒的品质鉴定。例如，丁林志通过PCA降维提取特征三维荧光光谱，并分别构建SVM和线性判别分析（LDA）模型，实现了小曲清香型白酒品评等级的快速、无损智能鉴别，测试集预测精度最高达84.62%。

3.3.2 年份鉴定

随着贮存时间延长，白酒内部微量成分发生一系列化学变化，形成与年份相关的特征谱图。通过建立精确的预测模型，光谱分析可以准确区分不同年份的白酒。近年来，该技术在白酒年份鉴别领域取得了显著进展，多种光谱技术与机器学习算法的结合为白酒年份的精准预测提供了有效解决方案。

例如，王鑫基于汾酒原酒的三维荧光光谱特性建立了具有较高准确率的SVM年份鉴别模型。宗绪岩等则将LS-SVM结合近红外光谱技术，成功建立了白酒基酒年份定量分析模型，经SNV预处理后的预测模型具有较高的准确性和可靠性，RMSEP为0.344 年，RPD达到23.75。

此外，拉曼光谱也在该领域展现出重要潜力。王国祥采用拉曼光谱和SVR建立的数据分析模型，不仅能够有效区分不同年份的白酒，还可鉴别同一年份不同贮存期的产品，显示出良好的时间分辨率。多项研究表明，通过结合拉曼光谱、荧光光谱、近红外光谱等技术，可显著提高白酒年份鉴定的准确性和可靠性。

3.3.3 品牌鉴定

不同品牌的酒在成分上存在差异，而光谱分析技术可以通过检测这些成分的特征，从而实现对白酒品牌的快速、无损鉴别。有研究者指出，使用紫外光谱结合相关系数法，可以在短时间内完成品牌鉴定；通过建立精确的鉴别模型，准确区分不同品牌的白酒。

在荧光光谱分析方面，该技术通过识别白酒中荧光物质的激发-发射矩阵，为品牌区分提供了具有高特异性的“光谱指纹”。朱焯炜等通过三维荧光光谱技术结合平行因子分析、GA和SVM，实现了对8 种不同品牌中国白酒的高精度鉴别。研究进一步表明，多光谱技术融合和化学计量学方法的优化能显著提升白酒鉴别的准确性。Wang Xianfeng等通过结合紫外光谱、近红外光谱和三维荧光光谱分析等技术构建的LDA、SVM和BPNN 3 种分类模型，实现了对17 种不同品牌白酒的高精度分类和识别，模型准确率、敏感性和特异性均超过99%。He Miao等则创新性地引入酸敏感量子点，构建四向荧光数据矩阵，同时，结合紫外、近红外与多维荧光光谱等光谱数据和LDA、SVM和BPNN等算法，实现了同一品牌下不同系列白酒的鉴别；经数据融合策略优化，分类准确率、灵敏度和特异性分别提升至99.17%、99.15%和99.96%。

综上所述，光谱分析技术与AI算法的结合为白酒等级测定、年份鉴定、品牌鉴别提供了高效、精准的解决方案。未来，随着光谱数据库的完善和算法模型的进一步优化，这一技术将在更广泛的食品检测领域发挥重要作用。

4

结 语

光谱智能分析技术通过融合多源光谱信息与先进的AI算法，实现了从原料甄选、过程监测到质量评估的快速、无损检测分析，为白酒生产的智能化和自动化提供了技术支撑，有效提升了生产效率与产品质量。本文综述了光谱分析技术结合AI在白酒发酵过程监控中的最新进展，重点阐述了AI算法在解析高维、非线性光谱数据方面的核心作用，包括对关键成分的动态监测与发酵工艺参数的实时优化，从而提高生产效率和产品质量稳定性。在总结基础上，本文提出以下研究展望：

1）模型能力的深化：当前研究基于有限、静态样本构建的预测模型，难以适应大曲、酒醅、窖泥等发酵体系的非均质性及复杂微生物群落的动态演化，易受原料变异与环境扰动影响，导致泛化能力受限；此外，现有光谱模型多建立于光谱特征与宏观检测指标（蛋白质、淀粉、还原糖、水分、糖化力、液化力、乙醇体积分数、总酯、总碳、总磷、总酸、总氮、氨氮等）间的统计关联，缺乏与微生物代谢功能、酶活性调控等生物化学机制的联系，模型呈现“黑箱”特性。亟须提升算法的泛化能力与可解释性，推动深度学习与酿造机理的深度融合，构建兼具预测精度与物理解释性的智能分析方法，使模型由统计关联向机制驱动的可理解、可追溯方向演进。

2）多模态数据融合：单一光谱分析技术仅能反映体系的局部生物化学信息，难以全面获得发酵过程中从微观微生物代谢活性到宏观空间异质性的系统性特征，未来应加强多源光谱信息的深度融合，构建时空同步、多尺度的无损智能感知体系。

3）智能分析系统构建：实验室精密的传感装置与优化模型，难以在酿造车间高温（高温大曲发酵顶温＞60 ℃）、高湿（环境相对湿度＞80%）、多尘的环境中保持稳定，且从数据采集到工艺调控的决策存在延迟，阻碍了系统对发酵过程的实时干预。解决该问题的关键在于建立具备高泛化能力的多模态智能分析系统，形成“感知、决策、调控”自主优化、快速响应的技术闭环，驱动白酒生产质量监控向系统化与智能化新范式演进。

第一作者

陈泽燕硕士研究生

西南交通大学生命科学与工程学院

成都医学院2020级本科生，西南交通大学生命科学与工程学院2024级硕士研究生，研究方向为白酒工艺及质量控制。目前已在《食品科学》《食品与发酵工业》参与发表学术论文3 篇，申请并公开的中国发明专利1 件。

通信作者

周嘉裕副教授

西南交通大学生命科学与工程学院

四川大学植物学专业理学博士，从事药用植物资源与分子生物学相关研究工作，主持或主研国家自然科学基金4项、四川省自然科学基金项目多项。在《International Journal of Biological Macromolecules》《Phytomedicine》《Frontiers in Plant Science》《BMC Plant Biology》《药学学报》《中草药》等国内外期刊上发表科研论文60余篇，其中ESI 高引论文2 篇。申请国家发明专利10 件，授权5 件。

贾俊杰白酒工程高级工程师

泸州老窖股份有限公司 研发经理

浙江工业大学化学工程与技术专业工学博士、国家一级品酒师、一级酿酒师，目前于泸州老窖公司从事白酒风味化学及检测方法研究相关工作。主持中国博士后科学基金项目1 项、四川省自然科学基金项目1 项、泸州市青年人才项目1 项，主研四川省中央引导地方科技发展专项项目2 项、国家固态酿造工程技术研究中心开放课题3 项，参研国家重点研发计划子课题2 项。在《Sensors and Actuators B: Chemical》《Food Chemistry》《LWT-Food Science and Technology》《食品科学》《食品工业科技》等国内外期刊上发表科研论文50余篇，申请中国发明专利13 件，其中授权专利5 件。获得泸州市科技进步奖1 项、中国职工技术创新奖2 项、中国酒业协会优秀论文二等奖1 项、泸州老窖优秀论文一等奖1 项，并获得泸州老窖先进个人、泸州老窖联合培养优秀人才、中国酒业协会青年科技奖等个人荣誉。担任《食品工业科技》期刊企业编委、《现代食品科技》期刊青年编委。

引文格式：

陈泽燕, 杨阳, 沈希, 等. 光谱智能分析技术在白酒生产中的应用研究进展[J]. 食品科学, 2026, 47(9): 360-369.DOI:10.7506/spkx1002-6630-20251031-238.

CHEN Zeyan, YANG Yang, SHEN Xi, et al. Research progress on the application of intelligent spectroscopic techniques in Baijiu production[J]. Food Science, 2026, 47(9): 360-369. (in Chinese with English abstract) DOI:10.7506/spkx1002-6630-20251031-238.

实习编辑：辉煌；责任编辑：张睿梅。点击下方阅读原文即可查看全文。图片来源于文章原文及摄图网

为进一步促进动物源食品科学理论的完善与创新，加速科研成果向实际生产力的转化，助力产业实现高质量、可持续发展，由北京食品科学研究院、中国肉类食品综合研究中心、中国食品杂志社与海南大学、海南热带海洋学院、江西农业大学共同举办的“2026年动物源食品科学与人类健康研讨会”，将于2026年11月14-15日（11月13日报到）在中国 海南 海口召开。

长按或微信扫码进行注册

会议招商招展

联系人：杨红；电话：010-83152138；手机：13522179918（微信同号）