针对传统光谱法检测鸡蛋新鲜度存在的效率低、准确率不够高等问题，提出采用可见-近红外光谱结合极度提升树(XGBoost)等算法对鸡蛋新鲜度分类进行研究，以期在保证足够高准确度的同时大幅提高检测效率。将不同储存条件下的鸡蛋作为样本，并分别划分为训练集和测试集，采用训练集的综合评价指标(F-measure)和准确率(Accuracy)评估分类模型的性能。具体地，首先利用可见-近红外光谱系统采集鸡蛋的反射光谱，将所得的光谱数据经过不同预处理后再结合随机森林(random forest, RF)、偏最小二乘(partial least squares, PLS)、支持向量机(support vector machine, SVM)、多层感知机(muhi-layer perception, MLP)以及XGBoost等分类算法构建鸡蛋新鲜度分类评估模型，并对比各模型性能指标。分析结果发现，经Savitzky-Golay一阶导(Savitzky Golay first-order derivative, SG-1st-Der)预处理后的RF、 SVM、 XGBoost模型和经标准正态变量(standardized normal variate, SNV)预处理后的PLS、 MLP模型具有较好的训练结果。为进一步提高模型精度和运算效率，提出利用区间偏最小二乘法(interval partial least squares, IPLS)对SG-1st-Der和SNV预处理后的光谱数据首先进行降维，然后再分别建立基于RF、 SVM、 XGBoost、 PLS及MLP等算法的预估模型，最后通过测试集对模型进行验证。结果发现原始光谱数据经SG-1st-Der预处理后所建立的IPLS-XGBoost分类模型性能最优，在不同储藏条件下测试集的F-measure分别为92.33%和90%, Accuracy分别达到94.44%和91.67%,而程序运行时间均不超过0.6 s。表明，可见-近红外光谱结合IPLS-XGBoost分类算法可应用于鸡蛋新鲜度评估，该方法在模型分类性能、准确度评估、运行速度等方面比传统方法更具优越性。