提出了独立软模式法（SIMCA）的番茄叶片灰霉病特征波段图像的提取, 并通过多元线性回归法（MLR）提取波段融合图像, 通过最小距离法获取番茄灰霉病患病信息的技术路线。 利用680～740 nm波段的方差图像和建模能力参数提取的特征波段, 并作为输入变量进行MLR分析, 在0.5准确率阈值下, 准确率均大于99%, 说明特征波段可以实现番茄叶片灰霉病的检测, 并利用MLR回归系数提取波段融合图像, 通过最小距离法获取番茄灰霉病患病信息, 结果表明所提出的方法具有很好的预测能力, 为番茄灰霉病的早期检测提供了一种新方法, 且大大降低了高光谱图像的数据处理时间。

共采集了112个番茄茎秆高光谱数据（光谱范围400～1 030 nm）, 结合图像处理和化学计量学方法建立了番茄茎秆灰霉病早期诊断模型。 应用偏最小二乘法（PLS）模型的隐含变量载荷分布选取了七个特征波长（EW）, 并建立了番茄茎秆灰霉病早期诊断的最小二乘支持向量机（LS-SVM）模型。 结果表明, 经过变量标准化（SNV）及多元散射校正（MSC）预处理所建立的EW-LS-SVM模型获得了满意的判别效果, 且优于全波段的PLS模型。 说明高光谱成像技术进行番茄茎秆灰霉病的早期诊断是可行的, 为番茄病害早期诊断和预警提供了新的方法。

提出了一种利用可见-近红外反射光谱技术对婆婆纳、 波斯婆婆纳、 直立婆婆纳等3种入侵植物和本地杂草宝盖草的植物辨别方法, 可以对外表相似度极高的这4种植物进行有效鉴别。 研究在对光谱曲线进行预处理和聚类分析后, 随机采用30×4个样本作为建模样本, 其余的20×4个样本作为预测样本, 应用独立软模式法SIMCA（soft independent models of class analogy）进行分类, 在显著性水平为5%下, 其预测分辨率为78.75%, 去除婆婆纳后的预测分辨率为90%。 根据变量建模能力（modeling power）值, 找到敏感波段496～521, 589～626和789～926 nm, 并将相应的波段的光谱值作为最小二乘的支持向量机LS-SVM（least squares support vector machine）的输入, 进行建模预测, 并以预测结果作为目标函数值, 进行遗传算法GA(genetic algorithm)优化, 结果发现, 预测分辨率达95.35%, 辨识效果好, 能快速正确区分外来入侵植物。

提出了一种基于模拟退火(SA)算法和最小二乘法支持向量机(LS-SVM)选择可见-近红外光谱特征波长的新方法(SA-LS-SVM)。该方法用LS-SVM作为识别器, 用识别率作为SA的目标函数, 提取合适的特征波长数以及对应的特征波长。3种不同品牌的润滑油可见-近红外光谱的特征波长分别用SA-LS-SVM, 主成分回归分析(PCA)和偏最小二乘法(PLS)进行处理, 提取特征波长或主成分, 然后结合反向传播人工神经网络(BP-ANN)对各种处理方法进行识别预测。结果发现, SA-LS-SVM只需从751个数据光谱中提取4个特征波长, 就可以使三种品牌润滑油的识别率达到了100%, 而其他所有的方法发现预测率都达不到100%, 由此验证了SA-LS-SVM的优越性。实验结果表明, SA-LS-SVM不仅能有效地减少建模的变量数, 而且可以提高预测精度。