为解决模糊学习矢量量化（FLVQ）对噪声数据敏感问题, 在无监督可能模糊聚类（UPFC）基础上提出一种无监督可能模糊学习矢量量化（UPFLVQ）算法。 UPFLVQ用UPFC的隶属度和典型值来更新学习矢量量化网络的学习速率, 计算类中心矢量。 UPFLVQ 属于无监督机器学习算法, 适用于无学习样本情况下的样本分类。 研究了UPFLVQ用于近红外光谱生菜品种鉴别的可行性。 采用FieldSpec@3型便携式光谱分析仪获取波长范围为350～2 500 nm的三种生菜样本的短波近红外光谱和长波近红外光谱, 然后采用主成分分析(PCA)进行近红外光谱的维数压缩, 取前三个主成分, 累计可信度达97.50%, 将2151维的近红外光谱压缩为三维数据。 再运行模糊C-均值聚类（FCM）至迭代终止, 并以FCM的类中心作为UPFLVQ的初始聚类中心, 最后运行UPFLVQ得到隶属度和典型值以实现近红外光谱的生菜品种鉴别。 同时, 运行UPFC进行近红外光谱的生菜品种鉴别。 实验结果表明: UPFLVQ和近红外光谱技术相结合的模型具有检测速度快, 鉴别准确率高, 对生菜不造成损坏等优点, 可实现不同品种生菜的鉴别。 UPFLVQ是将UPFC和FLVQ相结合的聚类算法, 利用UPFLVQ建立近红外光谱的生菜品种鉴别模型时无需学习样本, 适用于线性可分的数据聚类, 为快速和无损地鉴别生菜品种提供了一种新的方法。