因缺乏大米产地快速鉴别的确证技术,利用近红外光谱法、中红外光谱法及拉曼光谱法结合化学计量学分析方法对来自五常地区、东北地区和南方地区共计　186　份大米样品进行产地鉴别研究.首先比较了K近邻法(KNN)、线性判别分析(LDA)和最小二乘-支持向量机(LS-SVM)3　种算法结合　5　种预处理方法,对　3　种单一光谱大米产地鉴别模型的识别效果.结果表明,LS-SVM算法结合SNV+2nd预处理方法的拉曼光谱模型最优,校正集和验证集准确率分别为　100%和　93.48%.为进一步提升鉴别模型的准确度,创新性的建立了基于近红外光谱-中红外光谱-拉曼光谱法的数据层融合、特征层融合及决策层融合大米产地鉴别模型,结果显示,3　种层次的光谱信息融合模型识别正确率较单一光谱模型大大提升.数据层融合大米产地鉴别模型中,LS-SVM算法结合　SNV+2nd　预处理方法模型最优,校正集和验证集正确率分别为　100%和95.65%,较单一光谱最优模型验证集正确率提高了　2.17%.决策层融合鉴别模型中,LS-SVM算法结合SNV+1st预处理方法模型最优,校正集和验证集正确率分别为　100%和　97.83%,较单一光谱最优模型验证集正确率提高了　4.35%.特征层融合产地鉴别模型中,LS-SVM算法结合　SNV+2nd　预处理方法鉴别模型最优,其校正集和验证集正确率均达到　100%,较单一光谱最优模型验证集正确率提高了　6.52%.结果表明,使用近红外光谱法、中红外光谱法及拉曼光谱法分析技术结合化学计量学方法鉴别大米产地是可行的,拉曼光谱法结合　LS-SVM算法的大米产地鉴别模型最优.3　种层次的光谱信息融合模型识别正确率较单一光谱模型大大提升,其中特征层融合方法更适用于该次融合的数据类型,可以快速准确鉴别五常大米、南方大米和东北大米产地.该研究为大米产地的快速准确鉴别提供了一种新方法.