摘要: 新污染物结构多样且大部分缺乏分析标准品，传统的靶向分析方法无法检测标准品之外的物质，因此使用高分辨率质谱（HRMS）进行可疑和非靶向筛查对环境中新污染物进行全面识别至关重要。然而传统分析方法难以处理HRMS获取的海量数据，复杂质谱数据解析与物质鉴定已成为环境分析化学的核心挑战。机器学习作为一种强大的数据处理和模式识别工具，在提升新污染物可疑和非靶向筛查效率与精度方面提供了巨大的应用潜力。本文系统综述了机器学习技术在可疑和非靶向筛查全流程分析中的创新应用与最新进展，聚焦原始质谱数据预处理、分子式智能分配、保留时间预测、浓度定量分析等关键环节，阐释了常规机器学习及深度学习算法在提升筛查效率与准确性方面的作用。未来应将机器学习技术纳入可疑和非靶向筛查全流程分析，以更全面地研究新污染物的环境暴露特征。