在大米的生产和贸易中,迫切需要一种快速、准确、无损的识别大米产地的方法。目前较先进的识别方法是利用近红外光谱技术提取大米的组成和结构信息,再利用多元统计方法分析这些信息来确定大米的产地。由于大米的近红外光谱特征多达8000多个,且当采集的样本产地相邻、品种相同或相近时,类与类交错重叠,信息特征十分接近,识别难度很大。本文以哈尔滨市东南部相邻四个产地采集的大米的近红外光谱数据作为样本信息,对两组待识别大米分别采用Fisher判别分析法、逐步判别分析中wilks’lambda法、未解释方差法、Mahalanobis距离法、最小F值法、Rao’s V法进行了识别。实验结果表明逐步判别分析中的未解释方差法较好,识别正确率相对较高,接近80%,其余识别率很低,说明使用单一的统计识别方法识别效果不够理想。为此本文采用统计模式识别与模糊模式识别相结合的思想,给出了两种集成的模式识别算法:第一种方法是逐步归类法。该法先采用模糊C-均值聚类算法将全部大米样本进行分类,建立各类大米的样本库,然后以贴近度最大和近红外光谱图像相似度最高两个指标确定待识别样品的大类,再用具有拒绝决策的K-近邻算法对照子类样本库逐步归类,以确定大米的产地和种类。此法识别正确率为98%,识别效果十分理想。第二种方法是采用模式识别与假设检验相结合的识别方法。该法以贴近度最高和差异率最低两个标准作为产地判别条件,从外部表征到内部组织结构全面细致地分辨样本,取得了理想的判别效果,该法适用于识别群体。综上,使用单一的统计方法识别产地相邻、品种相同或相近的大米效果不够理想,在实际使用时需慎用;而逐步归类法、模式识别与假设检验相结合的识别方法是集成算法,识别效果理想,可以在实践中推广应用。