细菌拉曼光谱信号弱、相似度高且易被噪声干扰，使用传统机器学习方法对其分类时必须进行繁杂的光谱预处理，效率低下。为提高细菌拉曼光谱分类的准确率和效率，提出了一种基于密集连接的一维卷积神经网络模型Raman-net，无需额外的光谱预处理就能有效完成光谱分类。实验结果表明，Raman-net对Bacteria-ID公开数据集中30种细菌低信噪比拉曼光谱的分类准确率为84.26%，显著高于传统机器学习方法及对比方法。对于碳青霉烯类抗生素敏感和耐药的2种肺炎克雷伯菌表面增强拉曼光谱，Raman-net取得了99.16%的分类准确率。这表明对于细菌的普通拉曼光谱和表面增强拉曼光谱，Raman-net无需光谱预处理就能取得较好的分类效果，为致病菌的拉曼光谱鉴定提供了一种快速有效的方法。

提出一种联合表面增强拉曼散射(SERS)与卷积神经网络(CNN)的方法，并将其用于食源性致病菌的快速鉴定。以带正电荷的银纳米颗粒(AgNPs^＋)为SERS 基底，采集了金黄色葡萄球菌、大肠杆菌、副溶血性弧菌以及单增李斯特菌的SERS指纹谱，并在这些数据上训练了一个包含11个一维卷积层的残差网络ResNet11用于这4种病原菌SERS指纹谱的分类识别。实验结果表明：AgNPs^＋是一种优秀的SERS增强基底，可在624 cm^－1、730 cm^－1等波段增强4种病原菌的主要拉曼峰；构建的ResNet11分类器对10⁷ mL^－1菌液分子浓度下采集的SERS指纹谱取得了99.30%的分类识别准确率，并且对10³ mL^－1菌液分子浓度下采集的SERS指纹谱取得98.00%的识别准确率。

皮肤胆固醇是评估动脉粥样硬化性疾病风险的新型生物标志物。为实现皮肤胆固醇的无创、快速检测，设计了一套基于漫反射光谱技术的检测系统。采用毛地黄皂苷-辣根过氧化物酶共聚物溶液模拟梯度浓度皮肤胆固醇。通过检测该共聚物溶液和受试者在体皮肤胆固醇，验证了系统的可行性。结果表明，在440~550 nm特征波段内，由相对漫反射率引入的参数S值与共聚物溶液浓度呈线性关系（相关系数r=0.992，P<0.01）；控制年龄、性别等因素后，受试者在体皮肤胆固醇无创检测结果与血液中总胆固醇和低密度脂蛋白胆固醇呈显著正相关，相关系数r分别为0.837（P<0.01）和0.778（P<0.01）。漫反射光谱技术为皮肤胆固醇的检测提供了一种无创、便捷的方法。在体皮肤胆固醇的无创检测有助于动脉粥样硬化性疾病的早期发现。