食用植物油是人类膳食的必要组成部分。若植物油存在质量问题,消费者的身体健康必将受到严重危害。因此,植物油品质鉴别一直是食品安全领域的一项重要课题。荧光光谱扫描作为一种重要的光学检测技术,被广泛应用于植物油这样复杂体系的检测中。但目前的荧光光谱建模仍然依赖基于先验知识的预处理来进行特征选择,这使得其普适性在光谱学分析中遇到了挑战。因此,本论文研究了深度学习结合荧光光谱完成植物油品质鉴别的少样本学习建模。主要研究工作如下:（1）总同步荧光光谱序列数据结合不同循环神经网络对典型植物油的种类进行判别。四种典型植物油样品进行总同步荧光光谱扫描,并分析特征峰的荧光基团归属。基于荧光光谱的影响因素研究了两种数据扩充方法来增加光谱数据的数量,并设计五种不同原理的深度循环神经网络结构。通过训练这些网络架构,实现对四种典型植物油的种类判别。（2）总同步荧光光谱图像结合视觉Transformer网络识别掺杂芝麻油。对纯芝麻油和掺杂芝麻油样品进行总同步荧光光谱扫描。采取数据扩充方法对数据集进行扩充并将光谱数据表征为图像形式。搭建了针对掺杂植物油荧光图像特性的视觉Transformer网络架构。扩充后的数据集作为输入来训练视觉Transformer网络以识别掺杂芝麻油。（3）迁移预训练的Efficient Net-B0并结合激发发射矩阵荧光光谱图像实现对假冒芝麻油的溯源和定量分析。对纯芝麻油和假冒芝麻油进行激发发射矩阵荧光光谱扫描并表征为图像形式。在假冒芝麻油的判别研究中,对Efficient Net-B0进行针对性微调以提高判别模型的性能。Efficient Net-B0创新性地结合偏最小二乘回归算法完成假冒芝麻油程度的定量分析。研究结果表明,荧光光谱结合深度学习完成少样本学习的研究对植物油品质鉴别具有一定意义。