随着快速微生物检测需求的增加和应用场景的不断扩大，微生物鉴定技术正逐渐从传统的人工经验判断转向自动化采集、数字化表征和智能模型分析。目前，分子检测、质谱、光谱分析和显微成像等技术已应用于微生物鉴定 [1,2]；深度学习及数据融合方法的发展进一步促进了复杂特征提取和多源信息的协同使用 [[3], [4], [5]]，微生物检测已逐渐从以单一检测方法为主导的技术问题扩展为结合多源数据采集、特征表征和智能判别的综合问题。在此背景下，如何基于成熟且易于获取的检测技术构建具有更强判别能力和分类稳定性的智能鉴定系统，已成为快速微生物检测研究的一个重要方向。
显微图像和激光诱导击穿光谱（LIBS）是两种代表性的微生物表征技术。显微成像长期以来一直是微生物实验室中最基础、最成熟且最易获取的观察方法之一。革兰氏染色显微图像可以直观反映菌株在染色反应、细胞形态、大小差异、聚集状态和空间排列方面的表型差异 [6]。随着数字化显微设备和深度学习方法的发展，显微图像不再仅仅是依赖人工经验的观测数据，而是逐渐变为可被模型自动提取、量化并用于分类的形态数据 [[7], [8], [9]]。相比之下，LIBS 通过激光烧蚀样品产生等离子体，并收集其发射光谱信号，从而实现对样品元素组成及相对响应差异的表征 [10,11]。对于微生物样品，Ca、Mg、Na、K 等无机元素的差异及其相对响应强度可以在一定程度上反映细菌化学组成和样品状态的差异 [12,13]。因此，显微图像主要提供形态表型信息，而 LIBS 主要提供与化学组成相关的信息；它们具有不同的物理起源和表征维度，因此理论上具有互补判别的潜力。
然而，单模态鉴定方法通常有其自身的信息边界。对于 LIBS，分类依据主要来自菌株之间化学组成相关信息、元素谱线响应和整体化学指纹模式的差异。当不同菌株的化学组成相关信息接近，主要元素谱线及其相对强度差异不明显，或基质背景影响相似时，仅依赖 LIBS 化学指纹很容易导致分类模糊。对于显微图像，模型主要使用染色颜色、细胞轮廓、形态结构和空间排列等视觉特征。当不同菌株表现出相似的革兰氏染色结果、相似的杆状或球菌形状，或相似的细胞密度和聚集模式时，仅依赖形态信息也可能导致误判。因此，单模态的分类错误不应仅仅归因于模型本身，也可能反映了特定条件下某种信息来源的判别边界。与仅仅比较总体准确率相比，从误分类结构和困难菌株对的角度分析不同模态的分类边界，对于判断两类信息是否具有实际互补判别价值更有帮助。
现有研究已分别将 LIBS 光谱和光学显微图像应用于微生物鉴定 [[7], [8], [9],12,[14], [15], [16]]，且多源光谱融合方法也在持续发展 [17]。然而，相关研究主要关注单模态的分类性能或同质光谱信息的联合分析，对于化学指纹和显微形态作为两类异质信息在菌株鉴定中是否能互补以及融合后单模态残余误分类边界如何变化，仍缺乏系统分析。鉴于 LIBS 光谱和显微图像在数据结构和特征空间上的明显差异，本研究采用决策级融合 [18,19]，在保留各单模态独立建模能力的前提下，基于统一的类别输出比较融合前后的分类结果和误分类结构。
基于上述研究背景，本研究提出以下可测试假设：LIBS 化学指纹和革兰氏染色显微形态信息形成的主要残余误分类边界并不完全一致；如果两种模态在决策级具有互补效应，单模态中的主要困难菌株对边界在融合后将被压缩，且最高双向互错率应低于两种单模态。为验证上述假设，本研究以微生物为研究对象。在统一的样品制备和采集流程下，分别建立 LIBS 和显微图像的单模态分类模型，并评估其鉴定性能和误分类边界。随后，引入三种决策级融合策略，检验双模态融合能否进一步压缩各单模态的残余误分类边界。本研究旨在验证光谱和形态信息的互补作用，为多模态微生物鉴定提供实验证据。
