A espectroscopia de transformada de Fourier no infravermelho próximo (FT-NIR) combinada com a espectroscopia bidimensional correlacional (2DCOS), juntamente com métodos quimiométricos e algoritmos de aprendizado profundo, foi utilizada para construir modelos de análise discriminante por mínimos quadrados parciais (PLS-DA) e redes neurais convolucionais residuais (ResNet), permitindo a identificação rápida e precisa de três variedades cultivadas de Gastrodia elata Blum (total de 447 amostras). Os resultados indicam que o modelo PLS-DA baseado em dados FT-NIR pré-processados com derivada de primeira ordem (1st Der) e correção multiescattering (MSC) apresentou o melhor desempenho geral (precisão de 99,00%). Ao mesmo tempo, o método baseado em imagens 2DCOS sincronizadas FT-NIR combinado com o modelo ResNet permitiu uma identificação rápida e precisa das diferentes variedades cultivadas de Gastrodia sem a necessidade de selecionar o melhor pré-processamento ou realizar transformações complexas de dados (precisão de 100,00%). Este estudo oferece um novo método rápido e preciso para diferenciar as diferentes variedades cultivadas de Gastrodia, estabelecendo uma base para pesquisas em recursos genéticos e melhoramento de novas variedades.

transformada de Fourier no infravermelho próximo;quimiometria;aprendizado de máquina;Gastrodia elata;variedades cultivadas