平菇味道鲜美、 营养丰富, 深受消费者喜爱。 平菇在我国的栽培范围较广, 产地分散, 每个产地的气候条件、 栽培基质、 栽培方式的差异, 使不同产地生产的平菇在口感、 营养价值方面会有不同。 为规范平菇产品的市场管理, 更为打造区域内特色平菇品牌, 借助中红外光谱技术无污染、 高效、 低成本等特点, 突破目前化学分析、 生物学鉴别方法的限制, 提出一种中红外光谱结合机器学习鉴别不同产地平菇的方法。 对10个不同产地的平菇子实体进行红外光谱数据采集, 每个地区各60份共600份样本。 光谱数据经分析表明, 在波段530～1 660 cm-1范围内红外光谱的相关性表现出较明显的差异。 同时, 基于K-S法按照训练集和测试集比例为7∶3对样品划分, 得训练集为420份, 测试集为180份。 采用多元散射校正（MSC）, 标准正态变量变换（SNV）, 平滑（SG）, 一阶导数（FD）, 二阶导数（SD）等预处理方法进行光谱优化, 去除噪声, 并结合支持向量机（SVM）进行初步建模对比, 得出MSC预处理后光谱数据差异性最大, 预测集识别效果最好为84.44%。 将MSC光谱数据进行0～1区间的归一化处理, 并采用主成分分析（PCA）对其进行降维, 选择满足训练集中主成分个数累积贡献率≥85%, 且主成分方差百分比≥1%的前7个主成分作为输入变量与支持向量机（SVM）、 随机森林（RF）、 极限学习机（ELM）进行建模识别比较。 实验结果表明, 在识别不同产地平菇模型中, SVM模型识别效果最佳, 训练集和测试集识别率均为100%; RF模型训练集识别率为100%, 测试集识别率略低, 为98.89%; ELM模型对比其他模型识别率较差, 训练集识别率为99.28%, 测试集识别率为98.33%。 3种模型的识别率均高于98%, 说明采用红外光谱结合机器学习的方法可以简单、 快速、 低成本的实现对不同产地平菇的鉴别, 不仅为平菇产品产地识别提供方法依据, 也为其他种类食用菌产品的产地鉴别提供参考。