傅里叶变换红外光谱通常包含有大量的波长变量点， 对其进行定性分析需要建立稳健的、 可解释性的分类模型。 稀疏线性判别分析(SLDA)是一种较为新颖和有效的机器学习算法， 常用于高维度、 小样本数据的变量筛选和判别分析， SLDA通过在线性判别分析中引入正则项， 使分类器训练过程和变量选择过程同时完成， 不同判别方向上载荷系数的稀疏性则增强了模型的可解释性。 采集甘肃不同产地的秦艽样本94个， 其中麻花秦艽(Gentiana straminea Maxim)30个， 黄管秦艽(Gentiana officinalis)28个， 大叶秦艽(Gentiana macrophylla Pall)36个， 利用傅里叶变换红外光谱法获得所有样本的光谱图。 取其中70个样本构成训练集， 剩余24个为测试集。 使用训练集建立SLDA模型， 对2个判别方向上不为0的载荷系数个数进行网格化寻优， 得到了最优的参数空间。 利用建立的SLDA模型对测试样本进行预测， 其分类准确率达到100%， 实现了对三种秦艽的快速、 准确鉴别。 实验结果表明， 与PLS-DA方法相比， SLDA模型在分类准确率、 稀疏性及可解释性方面均具有一定优势， 是一种新颖、 有效的光谱定性分析方法。