针对传统检测方式的食用油损耗大、操作烦琐、耗时长等缺陷，提出了一种食用油种类快速无损检测的新思路。实验选用包括混合油样在内的5种待测油样本，利用搭建出的激光诱导荧光系统采集数据500组，随机选取其中400组光谱数据作为训练集，余下的100组作为测试集。选用性能更为优异的堆栈自动编码器算法对获取的荧光光谱数据进行特征提取，通过极限学习机进行分类识别，最后利用不同时间测出的食用油样本验证模型的普适性。实验结果表明，在所构建的识别模型下，样本测试网络时间仅为0.2 ms，分类准确率可达到100%，用于验证的新油样同样可取得极好的分类效果，分类速度快，准确率高。所得结果证明所建立的模型是可靠的，能够在确保精准识别的同时，实现食用油类别的快速无损检测。

将堆栈自动编码器(SAE)与极限学习机(ELM)联合,建立了深度神经网络预测模型(SAE-ELM)。利用苹果高光谱图像提取出的光谱数据,对深度神经网络的权值和阈值进行了初始化和微调。与传统ELM模型预测结果相比,SAE-ELM的预测集决定系数和残留预测偏差分别从0.7345和1.968提升至0.7703和2.116,预测集方均根误差从1.6297降至1.2837。研究结果表明:深度学习网络SAE-ELM模型的预测性能优于传统的ELM模型,将其用于预测苹果硬度是可行的。