针对直接在光谱反射率空间, 对原稿颜色样本光谱的主成分分析会导致特征向量的数目超过真实物理维度(原稿所用基色色料)的数量, 以及特征向量和对应系数存在负值, 不能直接表示原稿基色色料的光谱特性和对应浓度等情况。 创新性的提出需根据原稿色料的光学特性建立一个完全线性的光谱空间, 并在该空间中使用带约束条件的非负矩阵分解实现对原稿基色数量和光谱形状进行预测的方法。 对此, 首先设计了一个实现对原稿基色色料光谱预测方法的总体研究方案和实现步骤, 再以透明色料原稿为例, 研究如何选择和构建一个符合其光学特性的光谱线性空间, 然后再在基本非负矩阵分解(BNMF)基础上提出针对基色色料光谱预测的有约束非负矩阵分解算法(SCNMF)。 针对BNMF算法会出现多重最优解, 为了提高预测精度, 使矩阵分解结果有明确的物理意义, 所提出的SCNMF算法需要满足4个约束条件: 非负性约束; 全加性约束; 平滑性约束; 稀疏性约束。 建立了满足约束条件的目标函数和迭代算法。 预测结果表明本文提出的新方法能有效的实现对原稿基色物理维度和基色色料光谱的准确预测。

针对光谱反射率空间并不是一个有效的基色色料线性混合空间的缺点，提出了建立基色色料线性混合空间的三项原则。根据不同原稿色料光学特性的不同，将原稿分为透明色料连续调原稿、不透明色料连续调原稿、半色调原稿(半透明色料)，并针对这三类原稿分别构建能真实反应原稿色料真实物理维度的光谱线性空间，以不透明色料原稿为例进行实验验证。实验结果表明，根据原稿色料光学特性建立的色料线性混合空间是一个有效的线性混合空间，在其上的光谱预测能真实反映原稿基色色料的数量和近似得到基色色料的光谱形状。

针对传统光谱降维方法其降维重构后的光谱数据仅是对原始光谱的数学逼近, 会出现光谱误差较小但颜色色差较大的缺点, 创新性的提出三种将人眼视觉特性与光谱降维相结合的方法。 其中, VPCA法直接将光谱光视效率函数加权到原始光谱上再进行降维, LMSPCA方法用LMS视稚响应构建加权矩阵对原始光谱加权后再进行降维, 在LMSPCA法中加权矩阵的构建有两种方式, 其主要区别在于视稚响应偏差的求取方式不同。 方式一中, L, M, S视稚响应偏差是各对应波长上的偏差取绝对值, 而方式二中, 其偏差是各对应波长上的偏差平方。 LMSPCAs法在LMSPCA法基础上再采用PCA(主成分分析)方法对损失的光谱进行降维。 实验结果表明VPCA法降维效果较差, LMSPCA法的两种加权矩阵降维效果接近, 皆可显著提高降维模型的色度精度, 但会降低模型的光谱精度, LMSPCAs法由于针对LMSPCA法因光谱加权引起的光谱损失再进行光谱补偿, 其在光谱精度、 色度精度以及变光照条件下的色差稳定性这三个方面都能较好地表征原始高维光谱反射率, 满足光谱颜色复制的要求。

STN-LCD的背景色易使彩色显示失真，所以黑白STN-LCD的研制是极其重要的。文中介绍了研制黑白模式STN的几种方法及D-STN的结构、工作原理和制造工艺。