采用近红外（NIR）光谱结合化学计量学方法对不同镉污染程度的稻米进行鉴别。首先利用主成分分析（PCA）对样本的NIR光谱进行解析，再用有监督学习算法偏最小二乘识别分析（PLS-DA）、径向基人工神经网络（RBF-ANN）及支持向量机（SVM）对不同污染程度的镉稻米进行定性建模分析。本文还讨论了不同的光谱预处理方法以及建模方法对识别效果的影响。由于NIR光谱差异太小，所以PCA得分图重叠严重，类之间很难区分，PLS-DA、RBF-ANN与SVM模型的预测集鉴别准确率分别为77.1%，67.8%与67.2％，PLS-DA的识别率最高。近红外光谱技术与化学计量学方法虽难以获得预测准确率较高的识别模型，但其预测结果还是可用于超标镉稻米的初步筛查。