金银花是清热解毒必备良药， 市面上金银花来源复杂， 最著名的山东平邑产金银花在市场上常遭造假。 已有的鉴别方法大多耗时长、 成本高且操作复杂， 亟需一种快速高效的金银花产地溯源方法。 针对应用在金银花鉴别中的近红外光谱(NIRS)数据的一维卷积神经网络（1D-CNN）鉴别模型存在参数量过大、 模型效率过于低下、 计算复杂度高， 同时易产生过拟合问题， 对传统1D-CNN结构作出改进。 使用效率较高的VD（Very Deep）结构替代传统1D-CNN中隐含层结构， 并针对 NIRS 数据适应性改进， 使其可直接应用于一维NIRS数据。 改进分为三步: (1) 将特征层的设计转为2个约束优化设计: 第一约束条件设每个卷积层C值（卷积核与感受野的大小比值）为1/6， 可提高网络模型效率; 第二约束条件取顶层感受野大小为数据向量大小， 实现更深层数据特征提取， 并减小过拟合。 (2) 通过降采样把特征层输出特征向量缩小至较小的尺寸; (3) 使用两个1×5大小的卷积层和一个带有Dropout的池化层将数据大小降采样到只有一个矢量的向量替代分类作用的全连接层， 进而减小参数量。 采集河南、 山东、 河北、 重庆主要产地出产的金银花为样品500份。 测试光谱范围908～1 676 nm， 采用KS法对样品集预处理， 并用shuffle算法完成训练集、 验证集、 测试集划分， 构建基于改进1D-VD-CNN与近红外光谱的金银花产地鉴别模型。 结果表明， 1D-VD-CNN训练集与测试集准确率均达到100%， 损失值收敛为0.001附近。 与传统1D-CNN模型相比， 1D-VD-CNN模型的训练集与测试集准确率分别提升为约0.5%与1.4%， 参数量和FLOPs分别减少近1 M(兆)和20 M(兆)。 与原始光谱数据分析法和PLS-DA法对比分析， 表明1D-VD-CNN模型对金银花近红外光谱分类具有更高的效率和更好的识别性能。

基于傅里叶变换红外光谱技术, 利用逐步判别分析法对金银花品种和产地进行鉴别研究。采集、测试了5个产地9个品种150份金银花样本的红外光谱, 并计算了各样品红外光谱的一阶导数光谱和二阶导数光谱。分别选用不同的样本组成训练集和检验集, 以1800～900 cm-1、1500～700 cm-1和1200～700 cm-1波数范围的红外光谱、一阶导数光谱和二阶导数光谱数据为判别变量建立判别模型对金银花的品种和产地进行鉴别。判别结果显示, 以1800～900 cm-1波数范围的二阶导数光谱数据为判别变量建立的模型鉴别效果相对较好, 对品种和产地的鉴别正确率依次达93.20%和96.13%。研究结果表明, 采用逐步判别模式识别可以很好地鉴别不同品种和产地的金银花, 方法可行有效, 可为金银花品种和产地朔源提供方法。