Este estudio construye un modelo para la identificación rápida de los orígenes del girasol comestible (Helianthus) utilizando la Máquina de Aprendizaje Extremo Kernel (KELM) con tecnología de fusión de información de múltiples fuentes. La espectroscopía de infrarrojo cercano (NIRS) y la espectroscopía de resonancia magnética nuclear (NMRS) se utilizaron para analizar 180 muestras de girasol de las regiones de Xinjiang, Heilongjiang e Mongolia Interior. Inicialmente, se compararon los modelos de identificación del origen de los girasoles utilizando datos de NIR y NMR entre dos algoritmos: la Máquina de Aprendizaje Extremo (ELM) y KELM, combinados con varios métodos de preprocesamiento espectral. El experimento encontró que el modelo espectral de NIR preprocesado con variante normal estándar (SNV) utilizando el algoritmo KELM fue el más preciso, logrando precisión de 98.7% en el conjunto de entrenamiento y 97.2% en el conjunto de pruebas. El modelo espectral de NMR de eco de espín preprocesado con medios no locales (NLMs) utilizando el algoritmo KELM fue el segundo mejor, con precisión de 98.4% en el conjunto de entrenamiento y 96.4% en el conjunto de pruebas. Para mejorar aún más la precisión de los modelos de identificación, se desarrollaron modelos innovadores de identificación del origen del girasol basados en la fusión de capas de datos y la fusión de capas de características utilizando NIRS y NMRS. En el modelo de fusión de capa de datos, el modelo del algoritmo KELM fue óptimo, logrando una precisión en el conjunto de pruebas y una puntuación de 1 de 98.2% y 98.18%, respectivamente, una mejora del 1.0% sobre el mejor modelo de una sola fuente de datos. En el modelo de fusión de capa de características, se establecieron cuatro tipos de modelos de identificación de fusión de información de capa de características utilizando dos algoritmos de extracción de características, Muestreo Competitivo Adaptativo Ponderado (CARS) e Importancia Variable de Proyección (VIP), combinados con estrategias de fusión de características conjuntas y simples. Se encontró que el algoritmo CARS-KELM combinado con el método de características conjuntas fue el mejor, logrando una precisión del 100% tanto en los conjuntos de entrenamiento como en pruebas, una mejora del 2.8% sobre el mejor modelo de una sola fuente de datos. La identificación del origen del girasol comestible utilizando NIRS y NMRS se demuestra como factible por los resultados. El mejor modelo de identificación del origen del girasol de un solo espectro se logró utilizando el algoritmo KELM con preprocesamiento SNV. El método de fusión de capa de características que combina datos de NIRS y NMRS es adecuado para manejar la tarea de identificación del origen del girasol. Este método mejora significativamente la precisión de reconocimiento del modelo en comparación con un modelo único, logrando una identificación rápida y precisa del origen de los girasoles comestibles. Los resultados de la investigación proporcionan un nuevo método para la identificación rápida del origen del girasol.