Se utilizó la espectroscopía de transformada de Fourier en el infrarrojo cercano (FT-NIR) y la espectroscopía correlacional bidimensional (2DCOS), combinadas con métodos quimiométricos y algoritmos de aprendizaje profundo, para construir modelos de análisis discriminante por mínimos cuadrados parciales (PLS-DA) y redes neuronales convolucionales residuales (ResNet) que permitieron identificar rápida y precisamente tres variedades cultivadas de Gastrodia elata Blum (un total de 447 muestras). Los resultados muestran que el modelo PLS-DA basado en datos FT-NIR preprocesados con derivada de primer orden (1st Der) y corrección de dispersión multivariante (MSC) presentó el mejor rendimiento general (precisión del 99,00%). Al mismo tiempo, el método basado en imágenes sincrónicas 2DCOS de FT-NIR combinado con el modelo ResNet permitió una identificación rápida y precisa de diferentes variedades cultivadas de Gastrodia sin necesidad de seleccionar el mejor preprocesamiento ni realizar transformaciones complejas de datos (precisión del 100,00%). Este estudio proporciona un nuevo método rápido y preciso para identificar diferentes variedades cultivadas de Gastrodia, sentando una base para la investigación de los recursos genéticos y el desarrollo de nuevas variedades.

transformada de Fourier infrarrojo cercano;quimiometría;aprendizaje automático;Gastrodia elata;variedades cultivadas