自然界中不同种物质拥有不同的偏振特性, 这些特征信号能用于检测不同的目标地物。为了探索偏振光谱技术用于精确识别作物和杂草的可行性, 此研究利用配置偏振片的成像光谱仪FISS-P在室内采集玉米与5种杂草的偏振光谱影像。通过比较和分析0°、60°、120°和无偏4种状态下玉米与各种杂草的光谱响应规律、光谱特征和决策识别模型精度, 结果显示4种偏振状态下玉米和杂草的光谱变化趋势较一致, 无偏状态下玉米和杂草的光谱强度最大; 不同偏振状态下玉米和杂草的敏感波段既存在共性又表现出一定的差异性; 4种偏振状态下玉米杂草识别模型的总体精度和Kappa系数均达到90%以上, 其中, 0°偏振状态下玉米和杂草识别模型的整体精度最高, 接近100%。综上, 偏振光谱能够在叶片尺度较好地识别玉米和杂草, 这为田间尺度进一步应用提供了扎实的数据积累。

基于自主研制的地面成像光谱辐射测量系统（field imaging spectrometer system, FISS）, 利用获取的可见/近红外波段成像光谱数据进行鲜猪肉和解冻猪肉的识别研究, 同时对鲜猪肉的新鲜度在类别和等级上分别进行识别研究。 通过最小噪声分离变换和一阶微分处理, 消除数据高频随机噪声和基线偏移, 改善多重共线性, 运用Wilks’lambda逐步法选择特征波长, 采用Fisher线性判别函数建立判别分析模型。 运用选择的前8个波段建立模型, 对鲜猪肉和解冻猪肉的识别即可高达99%； 运用选择的前6个波段, 鲜猪肉新鲜度类别总体正确识别率达到98%； 运用28个波段, 鲜猪肉新鲜度等级的总体正确识别率为93.6%。 研究结果表明, FISS在肉类食品品质识别分类方面具有较高的应用潜力。

利用自主研制的地面成像光谱辐射测量系统(field imaging spectrometer system, FISS）获取了14种典型牛奶样品的高光谱图像数据, 并基于此做了牛奶品种识别研究。 首先剔除2个异常样品, 对剩余12种牛奶样品随机取样, 共取1 200个像元样本; 为消除高频随机噪声和基线偏移, 改善多重共线性, 对所有样本做移动平均平滑和一阶微分预处理, 再运用逐步回归法选择的特征波长建立牛奶多类判别分析模型。 结果表明, 对12种牛奶样本混合识别, 总体判别精度高达95.5%, 其中蒙牛、 伊利和光明三种原味酸奶的总体正确识别率为88.3%; 对这三种原味酸奶构成的样本子集单独识别, 其总体正确识别率为88.7%。 这说明FISS能够用于牛奶品种识别研究, 还发现为实现有针对性的牛奶品种鉴别, 同类型不同厂家生产的牛奶最好单独识别, 这不仅能减少模型变量, 提高模型运算效率和稳定性, 也能提高判别的总体精度。