卢氏黑黄檀和染料紫檀木材特征与檀香紫檀相似, 特别是两者经过加色精的木蜡油涂饰后, 用肉眼很难与珍贵的檀香紫檀分辨。 市场上销售的很多红木家具为了达到防腐、 防尘、 防开裂的性能以及提高红木表面光泽度和显现珍贵木材的纹理, 大都进行了木蜡油表面涂饰加工, 因而只研究木材本身的鉴别不能满足市场需求。 借助红外光谱(FTIR)结合二阶导数红外光谱(SDIR)和二维相关红外光谱(2D-IR)技术, 对经过木蜡油涂饰的檀香紫檀(Pterocarpus santalinus)、 染料紫檀(P.tinctoricus Welw)和卢氏黑黄檀(Dalbergia louuelii)进行了红外光谱分析。 通过打磨—涂底油—打磨—涂面油—干燥的涂饰工艺对3个树种进行表面涂饰。 分别取3个树种素材的木粉和经过表面涂饰的木材表面的木粉进行FTIR, SDIR和2D-IR三级鉴别分析, 同时测定了木蜡油的FTIR谱图。 结果表明: (1)木蜡油FTIR谱图在2 925, 1 733, 1 465和1 378 cm-1较强的特征峰出峰位置与3个树种木材本身的出峰位置基本重合, 且在2 854 cm-1处归属于亚甲基C—H对称伸缩振动, 1 233 cm-1处归属于羧基C—O伸缩振动, 729 cm-1处归属于长链的亚甲基C—H弯曲振动的特征峰在涂饰后三种样品的FTIR谱图中有相同的体现, 说明木蜡油涂饰未对3个树种红外谱图的特征峰产生影响; 3个树种表面涂饰前后FTIR谱图的相关系数同时可以对木蜡油涂饰未对3个树种的特征峰产生影响进行佐证; (2)FTIR谱图在1 595, 1 060和836 cm-1处可以将染料紫檀与檀香紫檀和卢氏黑黄檀两个树种区分开; SDIR谱图可以在1 551 cm-1将卢氏黑黄檀区分开, 并能进一步对染料紫檀的特征峰进行验证; 在2D-IR光谱中, 在1 425~1 800和850~1 300 cm-1两个波段范围, 檀香紫檀的自动锋明显区别于其他两个树种, 在1 250 cm-1处归属于醚类化合物的吸收峰可以将檀香紫檀区分开。 目前红木识别主要利用木材解剖方法, 表面涂饰大多集中在木材材色变化研究。 借助红外光谱技术, 最终利用各个树种和木蜡油在红外光谱谱图中不同的特征峰体现的官能团差异直接推测特征成分的含量差异, 无须测定其特征成分的具体物质, 进而实现准确、 快速地把经木蜡油表面涂饰的檀香紫檀及与其易混淆的染料紫檀和卢氏黑黄檀区分鉴别。

不同塑料基体木塑复合材料（WPC）的识别及主要组分的定量分析对于废弃WPC产品的分类回收、 高效再利用, 以及产品生产过程中的质量控制、 产品销售和使用过程中规范市场秩序和维护消费者合法权益, 具有重要意义。 建立不同塑料基体WPC的主要组分的通用定量分析模型, 有助于降低检测成本, 扩大模型的适用范围。 然而。 目前国内外关于不同塑料基体的WPC定性识别研究, 尚未与WPC主要组分的定量分析相联系, 未能构建完整的技术体系。 WPC主要组分定量分析研究尚局限在单一塑料基体WPC的定量分析模型。 针对此种情况, 分别以聚乙烯（PE）和聚丙烯（PP）为增强体, 杉木为生物质填料, 加入一定量的添加剂后, 采用挤出成型法分别制备了20个不同杉木/PE配比和20个不同杉木/PP配比的WPC样品。 采用溴化钾压片法获取了40个WPC样品的红外光谱, 利用多变量统计软件对光谱数据先进行一阶导数处理, 再进行变量标准化。 利用主成分分析法（PCA）对杉木/PE和杉木/PP两种复合材料进行了分类, 由于PP和PE化学结构的差异明显, 两种复合材料在二维主成分空间中呈带状分布, 每种WPC样品处于相对独立空间, 分类正确率达100%。 利用偏最小二乘法（PLS）建立了两种复合材料通用定量分析模型, 木粉和塑料的校正模型的决定系数R2分别为0984和0985, 校正标准偏差SEC分别为1034%和1206%; 木粉和塑料的预测模型的R2均为0956, 交互验证标准偏差SECV分别为1779%和1792%; RPD值分别为483和485。 为更客观准确地检验模型的预测能力, 随机选取10个样品对所建通用定量分析模型进行外部验证。 结果显示, 模型预测准确性高, 木粉含量的预测相对偏差在±8%以内, 塑料含量的预测相对偏差在±7%以内。 建立了一套PE基和PP基WPC快速准确的识别方法和通用定量分析模型, 为红外光谱法应用于WPC生产、 质检及回收再利用过程中的定性识别和定量分析奠定了技术基础。

为了探究一种新型高效的树种鉴别方法, 以桉木、 杉木、 落叶松、 马尾松和樟子松近红外光谱数据为研究对象, 分别建立了基于主成分分析和支持向量机的木材树种定性识别模型。 在主成分识别模型中, 样本光谱数据经过预处理后绘制了其二维和三维主成分得分图, 可以看出: 主成分分析得分图能有效区分五种木材树种, 且三维得分图比二维得分图更能直观、 清晰展示树种之间的差异, 表明主成分分析在可视化层面上可对小样本树种进行有效判别。 在支持向量机识别模型中, 分别建立了以遗传算法和粒子群算法为代表的智能算法优化支持向量机树种识别模型, 结果显示, 遗传算法-支持向量机模型的交叉验证最佳判别准确率为95.71%, 测试集预测准确率为94.29%, 算法用时134.08 s; 粒子群算法-支持向量机模型的交叉验证最佳判别准确率为94.29%, 测试集预测准确率为100.00%, 算法用时19.98 s, 表明基于智能算法支持向量机树种识别模型能够实现对木材树种的有效鉴别。 该研究对近红外光谱分析技术在木材科学领域的应用进行了有益探索, 为木材树种的快速识别提供了新方法。

用微波消解作为样品前处理, 选择硝酸和过氧化氢为消解试剂, 用火焰原子吸收法和石墨炉原子吸收法, 可测定三聚氰胺浸渍胶膜纸、 聚氯乙烯(PVC)薄膜、 漆膜等人造板饰面材料中的铅、 镉、 铬元素含量。 火焰原子吸收法的铅、 镉、 铬元素检出限分别为0.12, 0.020 9和0.146 μg·mL-1; 石墨炉原子吸收法的镉元素检出限为0.157 μg·L-1。 铅元素相对标准偏差为0.8%～3.0%, 加标回收率为94%～109.2%; 镉元素相对标准偏差为0.8%～2.1%, 加标回收率为94%～106.4%; 铬元素相对标准偏差为1.8%～4.9%, 加标回收率为98.8%～107.7%。 方法准确可靠, 适用于人造板饰面材料中重金属的分析, 可为制定相关检测方法标准提供依据。

测量了不同产地及品种的89个木材样品的近红外光谱, 并分别使用反向传播人工神经网络(back propagation artificial neural networks, BPANN)与广义回归神经网络(generalized regression neural network, GRNN)建立了NIRS树种识别模型。 通过方差分析分别选择两种神经网络所用参数, 并采用最优参数进行网络训练。 考虑到样品光谱的差异, 对含不同水平白噪声与不同水平偏置的光谱进行模拟, 并使用建立的模型对模拟光谱进行预测。 发现两种神经网络模型均有较好的预测结果, 其中BPANN模型, 对含偏置水平不高于2％、 噪声水平不高于4％的模拟光谱识别正确率在97％以上; GRNN模型, 对含偏置水平不高于2％、 噪声水平不高于4％的模拟光谱识别正确率在99％以上。

对一种针叶材和一种阔叶材的横切面采集波长范围为780～2 500 nm的近红外漫反射光谱, 结合偏最小二乘判别分析法(PLS-DA)对针叶材杉木和阔叶材桉树快速识别的可行性进行了研究, 结果表明: (1)利用近红外光谱结合PLS-DA法建立的识别模型对建模样品的识别正确率达到100%, 识别模型预测的分类变量值与实际值之间相关系数r达到0.99, SEC为0.07; (2)即使采用短波区域780～1 100 nm的近红外光谱也可以获得理想的识别结果(识别正确率为100%), 识别模型的r也达到0.99, SEC为0.07; (3)利用近红外光谱建立的识别模型对未知样本的识别正确率都为100%, 说明近红外光谱技术可以快速、 准确识别针叶材和阔叶材, 这为木材识别提供了一种新方法和技术, 也为开发低成本的近红外光谱识别仪器提供了科学依据。

应用近红外光谱法对慈竹微纤丝角和纤维长度进行快速预测研究。 采用X射线衍射法和显微镜法分别测定慈竹微纤丝角和纤维长度， 并用光纤漫反射模式采集近红外光谱， 对原始光谱分别进行消噪和消噪与正交信号校正相结合预处理， 建立偏最小二乘（PLS）数学模型， 对比分析模型预测能力。 结果表明， 慈竹微纤丝角和纤维长度原始光谱经消噪和正交信号校正二者结合预处理后， 所建PLS模型比相应原始光谱模型预测能力显著提高， 其预测模型相关系数（R）分别达到0.893 6和0.988 3， 预测标准差（RMSEP）为0.292 0和0.146 0， 校正预测模型均具有很好的相关性， 表明近红外光谱法可以实现慈竹微纤丝角和纤维长度的预测。

利用近红外光谱技术对木材强度分等进行了研究。 选择1 000～1 400 nm波段, 结合偏最小二乘法, 在木材强度和近红外光谱数据间建立了校正模型, 校正模型的相关系数(r)为0.89, 校正标准误差(SEC)为6.30 MPa。 利用校正模型对35个未知样品的强度进行预测, 根据近红外预测值和实测值分别对木材样品进行分等, A级预测的准确率为75.0%, B级准确率为91.3%, C级准确率为80.0%, 总正确率为88.6%。 研究结果表明, 近红外光谱技术可以应用在无疵小试样的木材快速分等中。

利用近红外光谱技术对竹原纤维、 竹粘胶纤维和苎麻纤维进行了快速定性鉴别研究。 首先扫描3种纤维的近红外光谱, 利用化学计量学分析软件, 对谱图进行一阶导数预处理, 建立不同纤维的光谱数据库, 并分别建立竹原纤维、 竹粘胶纤维和苎麻纤维的判别模型。 利用判别模型, 对未知样品进行判别。 结果表明, 近红外光谱可以在不破坏样品的情况下, 可以快速鉴别竹原纤维、 竹粘胶纤维和苎麻纤维。