针对海面溢油样品的含量难以确定， 同时考虑到海水掺杂及风化等问题的影响， 提出了在较低非线性浓度范围内采集溢油嫌疑样品的同步荧光光谱， 获取其训练样本集， 利用主成分分析法（Principal component analysis, PCA）提取其特征光谱， 结合径向基函数（Radial basis function, RBF）神经网络对肇事样本和嫌疑样本进行模式识别的方法。 通过对相近油源原油样品分类识别研究表明： 该方法仅需单次对肇事样本同步光谱测量， 再借助数据分析， 就可以很好区分相近油源溢油样品， 外扰对识别率影响也不大。 RBF神经网络算法识别率在92%左右。 该结论对海洋环境中溢油的实时检测及油指纹数据信息库的建立有重要意义。

将倒置荧光显微镜、反射式显微物镜、微透镜、光纤和荧光分光光度计等有机地融合为一体，建立了测量单个油气包裹体的紫外可见显微荧光光谱装置，该装置无需对显微镜做任何技术改造。实测了伏4井（泉三段，吉林油田)单个油气包裹体的紫外可见显微荧光光谱。通过250 nm激发下的荧光光谱定性地推测油气包裹体中古油所含芳烃主成分，结果表明液态油气包裹体的重质烃相对含量比气液包裹体多。通过365 nm激发下的荧光光谱计算了油气包裹体的色度坐标，克服了人眼判断颜色的主观性。同一储层单个油气包裹体的紫外可见显微荧光光谱及色度表明该储层在二期充注时可能有两个成熟度不同的母源。

将浓度作为辅助参量引入到同步荧光光谱中, 获取溢油样品在10－4～10 g·L-1浓度范围内的浓度同步三维荧光光谱, 应用主成分分析法对胜利油田的5个原油样品及93#及90#汽油样品及0#柴油进行模式识别。 结果表明, 浓度参量的引入可全面的反映溢油样品多环芳烃的组成信息, 比较溢油样品溶液稀释到线性范围内所获取的同步荧光光谱, 该方法提高了应用主成分分析法对溢油样品的识别率, 在很好的区分不同类型的溢油样品的基础上, 实现了正确判别相近油源的溢油种类, 同时解决了样品配置过程中浓度误差对分类识别的影响难题。

LFI方法曾被用来测量大直径光纤的折射率.用一半盛油一半为空气的毛细管代替光纤,并用聚焦的条形光束照射毛细管,空气与油的干涉条纹同时产生.根据空气的条纹可以确定参数b,根据一组已知折射率的标准样品可确定另一参数c,同时可以建立标准液体最外条纹的偏折角与折射率的标准曲线.对于未知折射率的样品,一旦测量出其最外条纹的偏折角,从标准曲线上就可以读出其折射率.实测了一组半透明油的折射率,其结果与阿贝折射仪测量结果接近.