摘要
荧光光谱法（FS）作为一种快速、灵敏且无损的分析技术，在食品安全评估和环境监测领域日益受到关注。然而，其实际应用往往受到复杂样品基质、光谱重叠、高维数据结构以及荧光特征与目标分析物之间非线性关系等因素的限制。近年来，机器学习（ML）的快速发展为从复杂光谱数据中提取信息性模式提供了强有力的策略。经过适当的训练和验证，机器学习还能提高基于荧光分析的效率和预测性能。本综述系统总结了机器学习辅助荧光光谱法的最新进展，重点介绍了化学计量学方法、经典机器学习和深度学习（DL）在光谱预处理、特征提取、分类、定量预测和数据解释方面的集成应用。文中讨论了其在食品污染物检测、真伪鉴别、质量评价和环境污染物监测中的代表性应用。此外，我们批判性地分析了与数据集局限性、模型可解释性、过拟合以及实际部署相关的挑战。最后，突出展示了包括可解释人工智能、迁移学习、多模态数据融合和便携式智能传感平台等新兴方向，以促进可靠且可扩展的机器学习增强荧光分析技术的发展。
