空间外差拉曼光谱技术因其非接触、无损、快速、高稳定性和高光谱分辨率等特点，已经广泛应用于各个物质探测领域。由于复原光谱中存在荧光背景干扰，对样品进行定性和定量分析时需要对光谱进行基线校正。为了解决由拉曼峰引起的拟合基线抬升的问题，提出了一种改进的自适应迭代重加权惩罚最小二乘（airPLS）的基线拟合方法，即基于拉曼峰截断的airPLS基线拟合方法。该方法能够自动识别拉曼峰，并在对光谱进行拉曼峰截断后进行airPLS迭代拟合，以获得更准确的基线。使用仿真光谱和实测光谱进行验证，并与常见的基线拟合方法进行对比，结果显示，改进的airPLS基线拟合准确度显著提升，仿真光谱的基线拟合均方根误差优于0.0052。实测拉曼光谱的校正谱特征峰清晰可见，荧光基线趋势被有效去除，满足拉曼光谱数据处理的需求。

激光跟踪仪的转站误差直接影响数据质量。最小二乘（LS）方法只考虑观测向量误差，加权总体最小二乘（WTLS）方法忽略转站模型的特点，两种算法均存在一些不足。针对激光跟踪仪坐标转换模型的特点，提出了结构约束总体最小二乘（SCTLS）方法。该方法能够顾及坐标观测值的相关性，提取误差矩阵的特殊结构，从而保证相同元素的改正数是一致的。同时对待估参数附加限制条件，保证旋转矩阵具有正交性。使用拉格朗日乘数法严密推导算法的求解步骤，给出了精度评定的公式。仿真结果显示SCTLS法的估计参数偏差小于WTLS法，准确性更高；采用合肥光源控制网中的实测数据计算，验证SCTLS法的精度更高。与LS和WTLS算法相比，所提算法更加严密，能够有效减小转站中的误差积累。

阴影形状、偏转测量和光度立体法等多种手段都能得到场景的法线场, 需要进一步重建才能获得高度场, 因此由法线场重建场景的深度信息值得研究。提出一种由离散法向量恢复高度场函数的方法。首先, 基于离散几何的原理, 逐行估计场景的行高度值; 然后计算少量列高度; 最后根据列高度值, 逐行调整各行的高度平均值, 得出整个场景的高度分布, 其中在估计行高度值与列高度值的过程都运用了最小二乘法。该方法由于减少了优化的数据量, 不需要大型的矩阵运算和运算内存, 并且对于物体表面连续并且光滑的曲面会有较好的效果。实验表明, 该方法对曲面连续突变较少的场景的深度恢复较好, 但对于突变较多的场景, 所恢复出的高度会有横条纹。

为了监测黄瓜采摘后贮藏期间品质的变化, 借助不同贮藏日期贮藏室气氛的3D荧光数据, 提出了一种特征荧光信息(特征激发与特征发射波长)提取方法, 实现了黄瓜贮藏期间品质的监测。 首先, 对3D荧光数据进行去除瑞利散射和多项式Savitzky-Golar(SG)平滑降噪预处理, 有效消除了散射和噪声信号的影响。 其次, 对预处理后的3D荧光数据进行主成分分析(PCA)得到主成分矩阵, 并运用各主成分变量构造Wilks统计量, 选取了最小值对应的主成分(第11主成分, PC11); 根据构造该主成分的各原始变量(激发波长)的组合系数大小提取了8个特征激发波长。 然后, 采用10 nm的间隔对发射光谱进行了波段划分, 运用小波包分解(WPD)对每个波段进行了3尺度分解, 计算了各波段分解后的小波包能量, 综合8天试验结果选择能量最高的发射波段作为初选发射波段。 采用偏最小二乘回归(PLS)结合黄瓜理化指标(硬度、 叶绿素含量和失重率)对初选的发射波段进行了分析, 依据回归系数精选了7个特征发射波长, 简化了计算。 同时, 根据黄瓜硬度数据初步找到了其变化趋势的转折点; 根据黄瓜叶绿素含量变化曲线及一阶导数, 发现了叶绿素下降趋势最显著的点, 并结合试验过程中的感官观察结果, 确定第5个贮藏日为黄瓜品质突变日, 并选择第5个贮藏日为监测基准日。 最后, 采用提取的特征荧光信息计算不同贮藏天数与监测基准日之间的马氏距离(MD), 构建MD监测模型。 结果表明, 随着贮藏时间越来越接近监测基准日, MD值则逐渐减小到0, 与黄瓜贮藏过程中品质变化进程相符。 上述多变量统计分析融合小波包能量的特征波长提取方法和应用特征荧光信息构建的MD监测模型有望成为黄瓜贮藏过程中品质监测的一种可行方法。

面粉吸水率是评价面粉质量和预测面制品加工特性的重要品质性状。 面粉吸水率的测定主要参照国际或国家标准利用粉质仪进行, 其测定方法费时费力。 基于此, 提出利用可见近红外光谱分析技术结合多元统计分析进行面粉吸水率快速、 无损检测。 参照国标法测定150份小麦面粉样品的吸水率, 面粉吸水率变幅为53.10%~74.50%。 利用可见近红外分析仪采集面粉样品的光谱信息, 有效光谱范围为570~1 100 nm。 采用偏最小二乘回归(PLSR)、 主成分回归(PCR)和支持向量机回归(SVR)将光谱信息和面粉吸水率进行关联, 分别建立面粉吸水率的定量分析预测模型, 筛选最优的建模方法。 在优选的建模方法的基础上, 采用竞争性自适应重加权(CARS)、 区间随机蛙跳(iRF)、 迭代保留信息变量(IRIV)和连续投影(SPA)算法提取特征波长, 筛选最优的特征波长提取算法。 基于最优的建模方法和最优的特征波长提取算法提取的特征波长, 采用标准化(NL)、 一阶求导(1st Der)、 基线校正(BL)、 标准正态变换(SNV)和去趋势化(DT)5种光谱预处理方法对特征波长的光谱进行预处理, 筛选最优的光谱预处理方法。 结果表明, 采用NL光谱预处理方法对CARS算法提取的24个特征波长(仅占原始波长的2.26%)的光谱进行预处理后建立的PLSR模型性能最佳, 预测集相关系数(R2p)、 预测集均方根误差(RMSEP)和预测相对分析误差(RPD)分别为0.889 4、 1.458 5和2.641 3。 采用CARS算法提取的特征波长所建的模型不仅能提高模型的性能, 还很大程度提高模型运算效率、 降低仪器制造成本和光谱仪微型化的难度, 从而为面粉吸水率可见近红外无损、 快速检测研究奠定了基础。

松材线虫病对我国松林资源造成严重破坏, 早期精准诊断该病害对精准防控及保障国家森林生态安全具有重要意义。 该病目前的诊断技术包括林间症状诊断法、 病原线虫鉴定法、 流胶法等, 这些方法受到条件或技术的限制而不完善, 也无法有效地对松树针叶变色前或极少数针叶变色的阶段进行诊断。 为此提出一种基于光谱分析的马尾松松材线虫病针叶电阻率检测方法。 对野外8~9年生马尾松接种松材线虫后, 在不同时间对针叶进行数据测量。 使用美国Ocean Insight公司生产的Ocean Optics USB2000+对马尾松针叶反射光谱数据进行采集, 取冠层上、 中、 下3个位置光谱反射率平均值作为该植株的光谱反射率； 将针叶横截面近似看成半椭圆形, 剪取针叶中部4 cm, 测量针叶的宽度和厚度, 使用M4070 LCR测试仪测其电阻值, 从而计算出其电阻率； 取冠层上、 中、 下3个位置电阻率平均值作为该植株的针叶电阻率。 对原始光谱（OR）进行光谱变换, 主要方法为一阶导数（FD）、 二阶导数（SD）、 对数变换（LOG）、 倒数变换（1/R）和连续统去除法（CR）； 使用随机森林算法对原始光谱和各个变换的光谱数据提取特征波段以反演针叶电阻率, 采用最小二乘支持向量机（LSSVM）算法对筛选出的特征波段与针叶电阻率的建模效果进行分析, 确定最佳马尾松针叶电阻率预测模型。 结果表明, 在该病害出现极少数针叶变色后的早期阶段, 马尾松接虫株与对照株针叶电阻率达到极显著差异（p<0.01）。 LSSVM建模效果表明, 二阶导数变换后的光谱数据综合表现最好, 选择特征波段为594.986、 646.107、 646.451、 782.896、 784.841、 839.164、 863.890、 902.021、 947.901和962.315 nm； 建模集和验证集的平均R2为0.848, RMSE和MAE分别为32.331和7.067。 相较于原始数据（OR）建立的模型, R2提升4%, RMSE和MAE分别降低2.5%和18.9%。 研究结果表明, 使用针叶反射光谱反演针叶电阻率是可行的, 且SD-RF-LSSVM建立的预测模型精度最高, 可用于针叶电阻率的快速估测, 为实现基于遥感的松材线虫病早期诊断与监测提供了思路与方法。

经典名方一贯煎由生地黄、 北沙参、 麦冬、 当归、 枸杞子、 川楝子6味药组成, 具有滋养肝肾、 疏肝理气之效。 红外光谱技术具有快速无损的优点, 可完整的将不同批次一贯煎基准样品的信息表达。 运用傅里叶变换红外光谱仪采集样品的红外光谱, 对原始光谱进行预处理, 得到相对峰高, 对共有峰进行归属, 采用聚类分析（HCA）、 主成分分析（PCA）及正交偏最小二乘法-判别分析（OPLS-DA）对图谱数据进行评价。 结果表明15批一贯煎基准样品中868、 822和779 cm-1波段为糖骨架伸缩振动吸收峰, 多为枸杞所贡献, 815 cm-1波段处少数为麦冬所贡献； 生地黄单煎液在1 148 cm-1波段处、 沙参单煎液在1 158、 1 082和1 019 cm-1波段处、 当归单煎液在993 cm-1波段处均有对糖苷类成分的贡献； 川楝子单煎液1 746 cm-1波段处可溶性脂类糖苷成分吸收峰明显, 一贯煎复方中此处吸收峰并不明显, 可能为川楝子与其他五味药配伍煎煮过程中化学成分发生变化。 HCA结果显示, 当组间距离=10时, S1、 S2、 S15聚为一类, S9、 S11、 S12、 S13、 S14聚为一类, S3、 S4、 S5、 S6、 S7、 S8、 S10聚为一类, 表明不同批次一贯煎汤剂内部质量存在一定差异。 PCA分类结果与聚类分析结果基本一致, 并计算不同批次的主成分综合得分, 其中批次3一贯煎汤剂质量最佳, 批次1质量最次, 由载荷散点图分析得到1 104、 1 142、 1 412、 1 260和868 cm-1波段峰对主成分1的贡献率较大； 777、 2936、 923、 1 721、 818和637 cm-1波段峰对主成分2的贡献较大。 OPLS-DA结果与HCA和PCA结果一致, 以VIP＞1为标准, 筛选出七个导致样品之间产生差异的波段, 分别为777、 637、 923、 2 936、 1 260、 1 412和1 630 cm-1, 该结果与PCA载荷图中寻找的重要性权重变量基本一致。 所建立的一贯煎红外指纹图谱方法简单、 准确度高, 可用于经典名方的快速鉴别分析, 为经典名方一贯煎的质量控制与评价提供参考。

近红外光谱（NIRS）技术在作物种子品种鉴别上具有一定的可行性, 但如果待测种子的存储时间不同, 识别模型的准确性会受到影响。 为了降低存储时间对识别模型的影响、 提高模型的预测能力, 将NIRS技术与图像处理技术相融合, 提取出与品种生理生化指标相关的光谱特征和与品种相关的表观图像特征。 为了提取出最优的光谱特征, 首先提出一种改进的后向间隔偏最小二乘（IM_BiPLS）光谱区间选择算法。 针对BiPLS分段数难以确定的问题, 让分段数在一定范围内变化, 以每个分段数所取得的组合区间建立模型的相关系数和交叉验证均方根误差之比作为评价指标, 该指标最大时的分段数所对应的波段组合为最优。 然后使用竞争自适应重加权法（CARS）去除IM_BiPLS所选波段中的无信息变量和共线性变量实现光谱特征优选。 为了提取与品种相关的表观图像特征, 首先使用基于最大熵和双重区域标记的图像分割算法完成不感兴趣区域去除和单粒种子图像分割; 然后提取单粒种子的形态、 纹理和颜色特征并计算出每个图像样本所有种子的统计平均特征。 最后使用CARS对这些特征进行深层次优选完成图像特征提取。 以10个黄色玉米品种为研究对象, 采集216个样本的NIRS数据和对应的图像。 针对光谱数据, 使用IM_BiPLS算法从全谱1 845个变量中选出了具有736个变量的波段组合, 使用CARS进一步从中优选出光谱变量29个。 针对图像数据, 提取出图像特征29个, 使用CARS进一步优选出图像特征11个。 分别以IM_BiPLS提取的光谱特征波段、 IM_BiPLS-CARS优选的特征波长、 图像特征(Image)、 CARS提取的图像特征(Image-CARS)以及IM_BiPLS-CARS优选的特征波长融合CARS提取的图像特征（Compound）为输入, 以样本对应的类别为输出, 建立BP神经网络模型。 测试结果表明Compound-BP模型的性能最佳, 训练准确率和验证准确率均为100%, 测试准确率为97.7%。 实验结果说明NIRS特征融合图像特征可以有效地提高识别模型的精度, 降低存储时间对模型的影响, 为实现玉米种子品种的无损、 快速、 精确识别提供参考。