本文系Journal of Future Foods原创编译，欢迎分享，转载请授权
Introduction
食品风味作为食品质量的核心指标之一，是一种多维的感官体验，涵盖味觉、香气等多个方面。传统的风味分析方法通常依赖于人工感官评价和化学分析，虽然这些方法在某些方面有效，但也存在主观性强、操作复杂和费时费力等不足。近年来，深度学习技术凭借其强大的特征提取和模式识别能力，为食品风味的分析与优化提供了新的思路。
多种深度学习模型，如人工神经网络（ANN）、卷积神经网络（CNN）、循环神经网络（RNN）、自编码器（AE）、图神经网络（GNN）和生成对抗网络（GAN）等，已在食品风味分析中得到广泛应用。这些模型能够处理复杂的数据结构和模式，使其在食品风味研究中具有显著优势。特别是在处理电子仪器（如电子鼻和电子舌）采集的挥发性化合物和味觉成分数据时，深度学习展现了强大的数据挖掘能力。此外，气相色谱-质谱联用（GC-MS）、近红外（NIR）光谱、高光谱成像（HSI）和核磁共振（NMR）光谱技术等先进分析技术，凭借其高效、精准和无损的特点，能够获得大量复杂、多维的数据集。这些数据为深度学习模型的训练和发展提供了关键的支持。
近年来，多模态深度学习技术的迅速发展，极大推动了食品风味分析的创新进程。通过整合视觉、文本和味觉等多种数据源，构建了一个全方位的风味分析框架。这种跨领域的数据融合方法不仅能够更精准地捕捉风味特征，还能深入挖掘消费者的偏好，为新食品的研发和烹饪配方的优化提供了重要的理论支持和应用前景。
本综述全面回顾了过去十年中深度学习在食品风味分析领域的研究成果与进展，涵盖了多种深度学习模型的应用，以及风味数据的获取和处理方式。同时，我们深入分析了当前存在的挑战与问题，并提出了未来的发展方向与潜在机遇。通过这一综述，我们希望能够吸引更多学者投身于该领域的基础研究，推动食品智能化的进一步发展，最终为食品行业的创新与应用提供有价值的参考。
文献调研
图1展示了不同深度学习模型在食品风味领域中每年发表的文献数量概况。从图中可以看出，2018～2024年间，相关研究呈现出显著增长的趋势。其中，使用人工神经网络（ANN）的研究共有87 篇，使用卷积神经网络（CNN）的论文为97 篇，使用生成对抗网络（GAN）和图神经网络（GNN）的论文分别为4 篇，使用自编码器（AE）和循环神经网络（RNN）的研究分别为5 篇和9 篇。由此可见，ANN和CNN已经成为食品风味分析中最常用的深度学习模型。
图1 每年确定的出版物数目(a)、每一种深度学习模型的出版物数目(b)
需要注意的是，由于在2025年1月3日进行文献检索时，2024年的部分文章尚未完全发布，我们预计未来几年内，这些研究的数量仍将继续增长，进一步巩固深度学习模型在食品风味领域的应用趋势。
应用领域
目前，深度学习在食品风味分析中的应用主要集中在3 个关键领域：风味分类、风味预测和风味优化。
在风味分类领域，深度学习模型不仅能够区分不同类型的食品，还能够深入分析同类食品在多种因素影响下的风味差异。例如，地理环境（如气候、土壤、水质等）会显著影响食品的风味和品质，同一类型的产品在不同产地的风味可能呈现出独特的区域特色。深度学习通过分析食品的风味成分、化学性质等数据，能够捕捉到产地、品种、成熟度等因素对风味的细微影响，从而实现高精度的产地分类，提升食品追溯性和精准度。
在风味预测方面，深度学习的应用主要集中在2 个核心领域：一是预测食物中特定风味化合物的含量，二是预测感官评价。通过深度学习技术，可以基于食品的外观、色泽等无损检测信息，推断出其中化学成分的含量，并进一步预测其整体风味。这种方法不仅提高了风味预测的精度，还能在不破坏食品的情况下进行快速分析，帮助生产企业及时调整配方和工艺。
在风味优化方面，深度学习有望在复杂的食用香精调配和食品加工过程中取得显著突破。通过智能调控工艺参数，深度学习可以帮助企业实现产品质量的一致性，确保高标准的产量。同时，结合大数据分析，深度学习还能有效预测消费者的偏好和个性化需求，从而为食品行业的个性化创新提供数据支持，推动产品的精准研发和市场推广。
风味研究中的常见深度学习模型
风味研究中的常见深度学习模型是：人工神经网络，卷积神经网络，循环神经网络。图2展示了将仪器技术与深度学习模型相结合应用于风味研究的方法。
图2 结合仪器分析和深度学习模型在风味研究中的示意图
人工神经网络（ANN）是深度学习的基本模型，也是其他复杂深度神经网络的原型。其基本结构如图3所示，网络中的每个神经元与下一层的所有神经元完全连接，并为每个连接分配特定的权重。通过不断调整这些权重，网络逐步提高了从输入到输出的映射精度。人工神经网络的应用在食用香精领域可以追溯到20世纪末，且一直在该领域中发挥着重要作用。随着反向传播算法、权重分析算法、遗传算法等智能分析方法的引入，人工神经网络的性能得到了显著提升。
图3ANN的模型结构
然而，尽管ANN在许多应用中表现出色，但在处理一些复杂数据集时，其性能仍然面临一定挑战。为了解决这一问题，研究人员提出了许多基于神经网络的先进深度学习模型，如卷积神经网络（CNN）和循环神经网络（RNN）。这些模型通过引入更复杂的网络结构和优化方法，显著提高了模型在食品风味分析中的表现和处理能力，为更精确的风味分析和优化提供了新的可能性。
卷积神经网络（CNN）是前馈神经网络（FFNN）的高级子类型，利用卷积层从输入数据中自主学习并提取特征。其基本结构如图4所示，CNN的这种特征提取能力使其能够处理多种类型的数据，包括图像、文本和音频，从而与主要处理数值数据的传统人工神经网络（ANN）形成鲜明对比。
图4 CNN的模型结构
CNN根据卷积核的维度分为1D、2D和3D，每种类型在分析特定数据时都具有独特优势。1D-CNN使用单向移动的一维卷积核，特别适合处理时间序列数据；2D-CNN则使用二维卷积核，能够同时跨越图像的宽度和高度，因此广泛应用于图像处理和计算机视觉领域；3D-CNN采用三维卷积核，能够同时遍历宽度、高度和时间3 个轴，特别适用于视频数据分析。
在食品风味研究中，CNN主要用于处理2 类核心数据：（1）食品的视觉表示，例如通过图像识别食物的外观和形态；（2）风味分析技术的输出数据，例如通过传感器和化学分析技术获取的风味成分数据。
卷积神经网络（RNN）是一种专门的神经网络，它通过内部循环连接将以前的时间步骤的信息传递到未来的计算，使其在处理顺序数据时具有“记忆”功能。与传统的FFNN不同，RNN在每个时间步通过同时考虑当前输入和前一个隐藏状态（隐藏层的输出）来更新其网络状态。这使得RNN能够捕获序列中的时间依赖关系。其基本结构如图5所示。在自然语言处理领域，RNN被广泛应用于文本生成、情感分析、机器翻译等任务中。通过将单词或句子按时间顺序输入RNN，该网络能够捕获语言中的语法和语义信息。
图5 RNN的模型结构
新兴模型在风味研究中的应用
近年来，随着深度学习技术的不断突破和风味数据获取技术的迅猛发展，自动编码器（Autoencoder）、对抗神经网络（GAN）、图神经网络（GNN）等前沿技术逐渐崭露头角，并在食品风味领域展现出强大的应用潜力。这些技术能够处理更加复杂和多样的数据类型。
自动编码器作为一种无监督学习模型，通过数据的低维表示进行特征提取，在数据压缩、降噪、生成模型等方面都有广泛应用。而对抗神经网络通过生成器和判别器的博弈训练，能够生成非常真实的图像和文本，已经成为生成模型领域的重要工具。图神经网络则通过构建图结构来处理具有图结构的数据，如社交网络、化学分子结构等，能够有效捕捉数据中的关联性和结构化信息。
与此同时，随着多模态深度学习的兴起，研究者不仅关注单一模态的数据，还致力于探索不同类型数据之间的相互关系和融合。多模态深度学习能够充分挖掘不同数据源的互补性，通过联合学习提升模型的性能和适应性（图6）。
图6 AE（a）、GAN（b）、GNN（c）的基本结构
通过整合和解释不同类型数据之间的相互作用，多模态深度学习为食品风味领域的探索和应用开辟了新的途径（图7）。
图7多模态深度学习在风味研究中的应用
第一作者
袁佳玟，江南大学2023级硕士研究生。主要研究方向为深度学习与食品风味。
通信作者
辛星，男，副教授，就职于江南大学未来食品科学中心。聚焦风味产品的开发，生物质资源的高附加值利用以及食品过程的数字化。2024年入选江苏省“双创”教育类人才和福建省“百人计划”。累计发表SCI论文20余篇，中国专利多项。主持3 项纵向科研项目，多项企业横向课题，累计金额300余万。担任无锡市生物医药产业科技镇长团团员期间，被评为无锡市第十六批优秀团员。担任食品与化工领域SCI期刊审稿专家，中国食品科学技术学会会员，新西兰皇家学会（Royal Society Te Apārangi）青年会员，中国可再生能源学会会员。
A review of deep learning models for food flavor data analysis
Jiawen Yuanab, Qihan Wuab, Jie Zhouab, Shuai Yuc, Xing Xinad*, Jin Liue, Xiaohui Cuia*
aScience Center for Future Foods, Jiangnan University, Wuxi 214122, China
bSchool of Artificial Intelligence and Computer Science, Jiangnan University, Wuxi 214122, China
cDepartment of Chemical and Materials Engineering, University of Auckland, Auckland 1010, New Zealand
dSchool of Food and Advanced Technology, Massey University, Palmerston North 4474, New Zealand
eSchool of Computer Science, Wuhan University, Wuhan 430072, China
*Corresponding authors.
Abstract
Deep learning, a core branch of artificial intelligence, has shown great potential in food flavor analysis, prediction and optimization with its powerful data processing and pattern recognition capabilities. This article reviews deep learning applications in food flavor, discussing various deep learning algorithms and models including artificial neural network, convolutional neural network, recurrent neural network, AutoEncoder, graph neural network, and generative adversarial network. Besides, the latest progress and development trends of deep learning are discussed in this field. Compared with traditional flavor analysis methods, deep learning methods have obvious advantages and important application prospects in the field of food flavor. With the continuous advancement of technology in the future, it is expected that more deep learning applications will appear in the food industry.
Reference:
YUAN J W, WU Q H, ZHOU J, et al. A review of deep learning models for food flavor data analysis[J]. Journal of Future Foods, 2026, 6(4): 533-544. DOI:10.1016/j.jfutfo.2025.01.001.
文章翻译由作者团队提供
编辑：龚艺；责任编辑：梁安琪
封面图片来源：摄图网
Future Foods | 用GC×GC-TOF MS构建麦芽威士忌新酒的感官词典J. Future Foods | 1-甲基环丙烯对北虫草贮藏品质的影响
J. Future Foods | 基于代谢组学结合网络药理学探究酸枣仁治疗失眠的活性成分及机制
J. Future Foods | 基于代谢组学的银耳低分子质量多糖对秀丽隐杆线虫的抗氧化活性研究
北京食品科学研究院、中国食品杂志社和全国糖酒会组委会将于2026年10月15-17日在江苏省南京市南京国际博览中心举办第115届全国糖酒会食品科技成果交流会。食品科技成果交流会期间举办食品科技成果展，本届科技成果展以我国当前食品产业科技需求为导向，重点邀请“十四五”以来获得国家和省部级重要科研项目支持产出的食品科技新成果、新技术、新产品参展，并针对企业技术需要开展精准对接服务。扫描下方二维码即可申请展位。
为进一步促进动物源食品科学理论的完善与创新，加速科研成果向实际生产力的转化，助力产业实现高质量、可持续发展，由北京食品科学研究院、中国肉类食品综合研究中心、中国食品杂志社与海南大学、海南热带海洋学院、江西农业大学共同举办的“2026年动物源食品科学与人类健康国际研讨会”，将于2026年11月14-15日（11月13日报到）在中国 海南 海口召开。
长按或微信扫码进行注册
会议招商招展
联系人：杨红；电话：010-83152138；手机：13522179918（微信同号）
热门跟贴