离子迁移谱（IMS）是一种常压下快速、 高灵敏度的痕量化学物质检测方法, 广泛应用于化学战剂、 爆炸物和毒品等检测领域。 在离子迁移谱定性和定量分析中, 采集到的原始谱图除了包含样品自身信息外, 还包含了电噪声、 背景干扰等噪声, 特别是当分析物浓度低时, 噪声会严重影响定性和定量分析的准确性。 为提高离子迁移谱技术化学物质识别准确率, 需要对离子迁移谱谱图信号进行重构。 本文提出一种可同时实现离子迁移谱谱图重构和特征峰提取的新方法。 通过建立优化目标函数, 采用l1范数作为线性惩罚项, λ为正则化参数用来调节惩罚项在优化过程中的比例。 为了求解优化目标函数, 首先构造一个由Gaussian分布函数构成的超完备字典来表示离子迁移谱离子特征峰峰形, 采用替代函数方法对优化目标函数进行迭代求解, 当达到重构谱图与原始谱图均方根误差小于设定的阈值时停止迭代。 为了验证提出的方法性能, 分别采用仿真数据和甲基磷酸二甲酯（DMMP）样本数据进行验证, 其中仿真数据由高斯分布函数字典原子及高斯白噪声组成。 与此同时, 我们对仿真数据和真实样本数据分别采用小波软阈值、 小波硬阈值及S-G平滑滤波算法进行去噪重构。 采用均方根误差（RMSE）和信噪比（SNR）作为评价指标, 实验结果表明该方法成功实现离子迁移谱谱图重构和特征峰提取, 预处理结果比其他三种方法有显著的性能提升, 为开展离子迁移谱定性和定量分析研究提供了基础。

温度校正是红外光谱定性定量分析中的一个关键问题,通过去除光谱数据中的温度效应,可以改善模型的线性度,从而提高模型的预测精度.通常的温度校正方法不仅需要记录训练集光谱的采集温度,而且需要记录测试集光谱的采集温度,这对很多实际应用中的光谱温度校正造成了困难.提出了一种基于模型的光谱温度预测及校正方法,通过训练集数据对光谱中的温度信息进行建模,利用模型的信息,从而能从测试集光谱数据中估计出采集温度,并进行光谱数据的温度校正,降低了温度校正方法对测试集光谱数据采集温度的依赖性.作为方法的验证,进行了两部分的实验:在第一部分的实验中,通过对十个浓度的水-乙醇二元混合物光谱数据的温度预测以及温度校正的实验,证明了本文方法的有效性;在第二部分的实验中,我们采用了Wulfert的经典温度校正方法CPDS的实验数据和实验方案,对三元混合物的光谱数据进行温度预测以及温度校正,得到了不亚于CPDS方法的温度校正效果,同时也证明了该方法对三元混合物光谱数据的适用性.通过两部分的实验表明,在缺少测试集测量温度的情况下,提出的温度校正方法仍可对光谱数据进行有效的预测和校正,降低了温度校正方法对测试集数据的依赖性,从而提高了温度校正方法的适用性.

通过将类不变性先验信息融入到支持向量机(Support Vector Machine, SVM)算法的目标函数中，提出了一种基于漂移约束的SVM红外光谱定性分析算法。该算法将红外光谱的漂移项模拟 成一个低阶多项式，并在SVM优化目标中要求决策面的法向量与漂移方向垂直，从而使分类器能够消除样本漂移影响。详细讨论了波段选择和正则化参数对分 类准确率的影响，并对比了各种变形SVM算法的分类效果。实验结果表明，与标准的SVM算法及其各种变形算法相比，本文提出的DCSVM算法具有更高的分类准确度。

提出了一种基于连续小波变换的FTIR光谱拟合算法。 在计算差减尺度因子时, 同时考虑原始谱图及其连续小波变换谱图, 从光谱最小二乘拟合的角度求解, 克服了常规差谱算法中的参考峰及差减因子的人工选择问题。 采用六种不同的小波进行光谱拟合, 用计算得到的差减因子来定量酒精度, 误差绝对值的平均值仅为0.047°~0.072°, 误差标准差仅为0.056°~0.091°。 实验结果表明, 连续小波变换结合最小二乘拟合的光谱拟合模型能为FTIR差谱提供一种准确可靠的新方法。

白酒是一个复杂的混合物体系, 它含有大量的微量成分, 这些微量成分直接决定了白酒的品质、 口感和香型。 为实现对白酒香型的快速鉴别, 可采集不同香型白酒的红外光谱图, 并将其作为模式分类方法的输入模式, 建立白酒香型鉴别模型。 首次全面系统地介绍了白酒香型模式识别算法, 这些算法包括统计分类器(线性判别函数、 二次判别函数、 正则判别分析、 K近邻算法)、 原型学习算法(学习矢量量化)、 支持向量机和AdaBoost算法。 实验结果表明, 基于红外光谱的白酒香型检测模式识别算法达到了很高的分类准确率、 识别率和拒绝率, 显示出了很好的性能。