融合机器学习的表面增强拉曼光谱检测技术在食品安全检测中的应用进展

　　摘要： 表面增强拉曼光谱（surface-enhanced Raman spectroscopy，SERS）因其高灵敏度、经济性和特异性，在食品安全风险因子的现场快速筛查中展现出显著优势。然而，该技术的广泛应用仍面临诸多挑战，包括高维光谱数据的管理与信息挖掘、复杂食品基质对痕量目标物检测的干扰，以及光谱峰重叠导致的解析困难等问题。近年来，深度学习（deep learning，DL）及机器学习（machine learning，ML）的快速发展为SERS数据分析提供了新的解决方案。通过将ML方法（尤其是多元分析工具）与SERS技术深度融合，能够高效处理复杂光谱数据，从而显著提升检测性能，这一方向已成为当前研究的热点。本综述首先简要回顾了SERS和ML基本原理；其次，重点总结了SERS-ML在食品安全风险因子检测中的典型应用，包括病原体（如细菌、病毒）、有机/无机毒物（如农药、抗生素）以及微塑料等的高效识别与定量分析；此外，还探讨了SERS-ML技术在复杂食品体系中应用的关键影响因素和面临的挑战。最后，本文展望了SERS与ML融合技术在实际检测中的潜力，旨在推动该领域的进一步研究和技术创新。