近红外光谱（NIRS）技术在食品安全及检测等领域得到了快速发展。同时,深度学习技术的进步为解决传统的机器学习方法在多分类问题上的劣势提供了新的解决方法。本文研究了不同的深度学习算法结合药食两用产品的近红外光谱数据进行分析,有效地解决了食品样品掺假及溯源问题。（1）提出了支持向量机（SVM）和深度信念网络（DBN）方法对莲子粉进行掺假识别,引入BP神经网络,介绍其理论知识和推导过程,对实验提供理论基础。针对莲子粉掺假问题提出了一种DBN模型结合近红外光谱的方法,运用Dropout技术解决了因样本量过少而引起的DBN网络的过拟合问题。对通过预处理的莲子粉近红外光谱数据运用Dropout-DBN进行纯掺二分类和不同掺入的多分类进行对比,同时与传统机器学习算法对比。结合不同模型的分类准确率、分类时间和算法稳定性,对莲子粉结合近红外光谱技术解决掺假问题的结果进行分析。（2）应用了堆栈式自编码网络（SAE）结合极限学习（ELM）对三叶青粉溯源问题的分析。针对深度学习模型较深的网络和较长的训练时间,替换BP网络为极限学习机,对SAE网络进行优化,提出了一种SAE-ELM模型针对小样本、多分类的近红外光谱溯源分析方法。同时解决了BP导致的局部最优问题,对MNIST数据集和三叶青近红外光谱数据进行训练,在模型分类准确率和训练时间上对比验证SAE-ELM模型的有效性。（3）通过对实验结果的分析,本文所提出的运用Dropout-DBN对莲子粉近红外光谱的掺假数据和SAE-ELM针对三叶青粉近红外光谱溯源数据模型均优于传统的机器学习算法,表明了本文提出的针对近红外光谱结合深度学习算法处理的可行性。