微小角中子散射谱仪是中国散裂中子源（China spallation neutron source，CSNS）工程目前在建的谱仪之一，为了实现微小角散射模式下中子衍射的精确测量，要求中子探测器的位置分辨≤2 mm、探测效率≥60%@0.4 nm。在此物理精度需求下，研制了基于⁶LiF/ZnS（Ag）闪烁屏、波移光纤阵列和硅光电倍增管（Silicon Photomultiplier，SiPM）结构的位置灵敏型闪烁体探测器，以实现热中子的高效率和高分辨实时探测。探测效率测试以标准³He管的入射中子数归一化计算得到，位置分辨通过含有“CSNS”字样的含硼铝板验证。本文详细研究了0.5 mm直径波移光纤的光传输性能，对比了不同硅光电倍增管的增益和热噪声特性，并以此设计了有效面积为300 mm×300 mm的探测器工程样机。经测试，该探测器的位置分辨为1.2 mm×1.2 mm，探测效率为（61.8±0.2）%@0.4 nm，达到了工程设计指标，满足了CSNS工程微小角谱仪的中子衍射测量需求。

为了实现对纸质文物表面杂色曲霉生长过程的在线无损监测，研制了一种反射式光纤光谱传感器，该传感器由1根锥形入射光纤和6根接收光纤构成。首先建立了传感器测量纸质文物表面霉菌微生物的理论模型，接着表征了纸质样品表面杂色曲霉的形貌特征，最后利用传感器对纸质样品表面杂色曲霉的生长过程进行了在线监测。研究表明，该传感器能准确获得杂色曲霉的特征吸收峰（295 nm和390 nm），当杂色曲霉高度在101.1~596.0 μm范围时，传感器输出信号与杂色曲霉生长高度间具有线性关系，检测下限达到10 μm。

采用近红外光谱进行检测时，光谱波段包含了大量的噪声和散射，这些都影响了模型的稳定性。基于竞争性自适应重加权算法（CARS）和互信息算法（MI）的特征波长筛选方法来建立偏最小二乘（PLS）回归模型，探测苹果内部的可溶性固形物含量（SSC）。通过光谱仪获取800~2400 nm的120个样本的漫反射光谱数据，经过预处理之后的数据通过Kennard-Stone（KS）算法随机选取96个作为校正集，24个作为预测集，然后分别建立全波段PLS模型、CARS-PLS模型和MI-PLS模型来对比分析。结果显示：利用全波段建立PLS模型，模型的决定系数R²为0.8511，模型均方根误差（RMSEC）以及预测均方根误差（RMSEP）分别为0.9413和1.1915；CARS算法筛选的特征波长点变量从303减少到了12，下降了96.03%，建立的PLS模型决定系数R²为0.8746，上升了2.76%，RMSEC和RMSEP分别为0.864和0.9757；MI-PLS模型包含了56个特征波长点，选用的波长占全波长的18.49%，R²、RMSEC和RMSEP分别为0.9218、0.6822和0.8235，MI-PLS与CARS-PLS相比特征波长数增长了64.55%，决定系数R²提高了0.0472。因此CARS和MI算法都能很好地解决光谱数据本身的噪声、散射等问题，可以有效用于特征波段筛选，所建立的模型可以对苹果内部SSC含量进行测定。

为了提高光纤苯酚含量传感器的灵敏度和选择性，构建了一种新型苯酚含量表面等离子共振（SPR）光纤生物传感器。传感器主要由辣根过氧化物酶（HRP）修饰 SPR光纤和苯酚选择透过性膜构成。首先在光纤表面聚合聚多巴胺（PDA），用于吸附纳米金成膜并激发SPR效应，随后在金膜表面再次聚合聚多巴胺用于固定HRP，获得HRP修饰SPR光纤。β-环糊精掺杂PEBA2533苯酚选择性聚合物膜固定在HRP修饰光纤表面。水体中苯酚分子自由通过聚合物膜后，吸附在HRP表面，在过氧化氢（H₂O₂）协助下被氧化生成难溶聚合物，增大HRP膜的折射率，促进传感器共振波长发生漂移，提高其灵敏度。研究表明，传感器对苯酚含量的测量具有高选择性和高灵敏度；在传感器采样时间为300 s时，灵敏度和检测下限分别达到224.84 pm·mmol^-1·L和159 nmol/L。

紫外-可见吸收光谱法测量水质化学需氧量(COD), 本质是对大量水质光谱数据建模, 以此模型为基础引入待测的水质光谱数据进行预测的过程。 而实测的邻苯二甲酸氢钾COD标准溶液在200～300 nm存在两个特征吸收峰, 标准溶液在不同浓度下的峰值也不同, 利用此特性对该波段进行特征波长的选择, 用其表征光谱信息, 降低数据冗余度的同时提高了预测精度。 针对实测水质光谱信号容易受到仪器本身和外界干扰, 光谱数据存在大量非平稳噪声, 且特征吸收峰及其临近信号频率较高, 常规去噪算法直接舍弃高频信号以及无法准确判断信噪分量界限, 导致有效信号缺失这一实际问题。 提出了一种基于完全自适应噪声集合经验模态分解(CEEMDAN)和双树复小波变换(DT-CWT)的联合去噪算法。 该联合算法利用CEEMDAN将信号分解为本征模态函数(IMF), 并通过归一化自相关函数和互相关系数进行线性相关性分析, 得到各阶IMF分量之间的自相关性以及IMF分量与原始信号的互相关系数, 以确定高频含噪分量与低频信号分量的界限; 进而应用DT-CWT阈值去噪算法对含噪高频IMF分量进行处理, 将DT-CWT处理之后的IMF高频分量与CEEMDAN分解得到的IMF低频分量进行信号重构, 获得最终去噪后的水质光谱信号。 实验结果表明: 基于CEEMDAN联合双树复小波变换的去噪算法适用于紫外-可见光谱水质检测的数据处理。 对于化学需氧量COD标液为100 mg·L-1的邻苯二甲酸氢钾溶液, 将实测的紫外-可见光谱数据应用该算法去噪后的SNR=24.201 5 dB, RMSE=0.024 0, NCC=0.999 4, PSNR=37.573 6, 不仅去噪效果显著优于CEEMDAN和双树复小波阈值算法, 还有效地保留了原始COD标液的吸收特征峰, 遏制了平移敏感性现象, 提高了重构信号的平滑度, 改善了重构信号质量。 为紫外-可见光谱法检测水质COD提供了一种新的数据预处理方法。

水质污染源的及时精确定位和精细化的污染防治措施是打赢水污染防治攻坚战的迫切需求, 为解决地表水实际水样高锰酸盐指数准确分类的实际问题, 以光谱降噪和光谱有效信息提取为切入点, 根据紫外-可见光谱数据的特点, 提出使用一维卷积神经网络处理紫外-可见光谱数据。 为验证检测一维卷积神经网络对地表水光谱信号分类的可行性, 选取长江的某段流域作为取样点。 采集当天的长江上游水、 某河水、 嘉陵江水, 生活污水、 500 mg·L-1邻苯二甲酸氢钾溶液来模拟污染水源。 将几种水样按不同的配比来模拟当天该流域的水污染变化情况。 采集现有的单一水样及混合配比水样的光谱数据, 根据各类水样的特征光谱信息进行区分, 实现地表水高锰酸盐指数的预测分类, 快速确定异常水样的污染来源, 通过仿真实验, 优化模型参数并完成优化训练。 与K最邻近法、 支持向量机等传统分类方法相比, 该算法在光谱预处理复杂度和定性分析准确度方面有较大优势, 在没有复杂的数据预处理前提下, 将获取的350条光谱数据建立水质分类模型, 随机选择其中245条数据作为训练集, 另105条数据作为测试集, 模型的混淆矩阵分类精度达99.0%。 不仅简化了整个光谱分析流程, 而且能保留更多的有效光谱信息, 减小人为预处理对紫外-可见光谱数据的影响, 实现地表水高锰酸盐指数的准确分类。 实验结果表明该方法可对不同水体水样进行准确分类, 快速定位污染源, 为无法激发荧光的污染物溯源提供了科学依据, 为与三维荧光技术辅助配合快速精确定位地表水污染源提供了可能, 同时表明了深度学习在紫外-可见光谱法测量实际水样领域有着巨大的应用潜力和研究价值。