提出一种将循环伏安电化学法和近红外光谱法联立, 用PLS-DA的D-S证据理论融合二者信息进行葡萄酒品种溯源研究的方法。 分别采集来自不同产区的三类不同品种的171个干红葡萄酒样品的循环伏安曲线和近红外透射光谱。 用PLS-DA法分别建立循环伏安电化学法和近红外光谱法的判别模型, 以此为证据; 用两个证据的D-S合成规则实现近红外判别结果与循环伏安法判别结果的重新决策。 融合后的结果为: 多产区不同品种葡萄酒溯源模型的建模集准确率为95.69%, 检验集准确率为94.12%; 单一产区不同品种葡萄酒溯源模型的建模集准确率为99.46%, 检验集准确率为100%; 判别结果都比融合前单一循环伏安电化学法和近红外光谱法的判别准确率得到了提高。 实验结果表明, 该方法具有较高的溯源识别准确度, 可以快速准确地对待测葡萄酒品种进行定性检测。

采用数据可视化技术开发一种干红葡萄酒的光谱指纹图谱, 用于不同类别干红葡萄酒的鉴别。 实验采集我国河北沙城和昌黎两个产区的干红葡萄酒样品, 酒样在酿造年份、 品种和陈酿方式上有差异。 葡萄酒样品经反相C18柱分馏得到9个馏分, 低压旋转浓缩至干后, 再用与分馏样品等量的模拟酒溶解。 随后, 葡萄酒及其分馏样品经UV-Visible分析, 收集190～1 100 nm波段的光谱吸收值, 利用可视化技术处理数据得到供试酒样的光谱指纹图谱。 最后, 采用高效液相色谱-二极管阵列检测器(HPLC-DAD), 在指纹图谱差异明显的波段选择检测波长, 定性分析葡萄酒和馏分中的单体酚及其衍生物。 结果显示, 供试干红葡萄酒样品光谱特征的差异在190～600 nm。 不同品种干红葡萄酒的光谱数据可视化结果差异不大, 但不同年份酒样有明显的区别, 主要集中在520 nm的波段, 不同产地葡萄酒的差异主要体现在F8馏分上, 不同陈酿方式葡萄酒的可视化特征几乎涵盖整个可视化波段。 HPLC-DAD在280, 313, 365和520 nm波长下定性分析结果揭示了对光谱指纹图谱的特征有影响的单体酚及其衍生物。 研究结果表明, 采用可视化技术设计的葡萄酒光谱指纹图谱可以区分不同年份、 产地和陈酿方式的干红葡萄酒产品。

采用近红外光谱和电子鼻对葡萄酒的酒精发酵过程进行了动态采样检测, 通过主成分回归和偏最小二乘回归对酒精度变化进行了监控和预测研究。 分别建立了近红外光谱、 电子鼻以及二者融合数据对酒精度定量分析的主成分回归和偏最小二乘回归模型。 结果表明, 近红外光谱数据和电子鼻数据的主成分回归和偏最小二乘回归模型的相关系数（r）均大于0.99, 但校正均方根误差（RMSEC）和预测均方根误差（RMSEP）较大。 近红外光谱和电子鼻数据融合后, 模型质量得到提高, 建立的偏最小二乘模型r为0.999 2, RMSEC和RMSEP分别降低为0.206%和0.205%(v/v), 定量精度较高。 近红外光谱和电子鼻均适用于红酒发酵过程中对酒精度的定量分析, 且二者结合应用能提高定量精度。

以三种不同陈酿方式的96个干红葡萄酒样品为试验对象， 用傅里叶变换中红外光谱仪外加衰减全反射（attenuated total reflectance， ATR）附件扫描其光谱， 然后分别用定性偏最小二乘法和支持向量机法建立三种不同陈酿方式葡萄酒的判别模型， 10次随机划分建模集与预测集后建模， 不同模式识别方法所建模型的建模集、 预测集的判别准确率均高于90%。 结果表明， 采用中红外ATR光谱技术结合模式识别方法对不同陈酿方式红葡萄酒进行快速识别是可行的。

研究收集了不同品牌的90个葡萄酒样品， 为了消除各光谱基线不同带来的影响， 对所有光谱曲线都进行了一阶求导， 以一阶导数谱线作为有效数据， 通过独立主成分（PC）分析可知， 前两个主成分的贡献率达到80%以上， 主成分聚类使得真伪葡萄酒样品明显分为两类; 以前四个主成分作为BP神经网络的输入建立了一个三层人工神经网络的识别模型， 该模型对葡萄酒样品的预测识别率达到100%。 研究表明， 可见-近红外透射光谱结合主成分分析建立的BP神经网络模型能为快速、 无损鉴别葡萄酒真伪提供一种准确可靠的新方法。

为实现红酒中酒精含量、 pH值以及残糖量的快速检测， 对44个红酒样品的红外光谱数据进行了分析。 使用快速独立分量分析(FastICA)算法对光谱数据矩阵进行分解， 得到独立成分和相应的混合系数矩阵， 再利用误差反向传播算法(back-propagation, BP)构造了三层的神经网络结构， 建立了ICA-NNR模型。 利用此模型对红酒样品的酒精含量、 pH值以及残糖量进行预测， 根据预测相关系数(r)和预测标准偏差(RMSEP)来评价预测模型的性能， 结果表明该模型对红酒酒精含量、 pH值以及残糖量测定的相关系数r分别为0.953， 0.983和0.994， RMSEP分别为0.161， 0.017， 0.181。 此外， 预测样品集中的22个样品ICA-NNR模型预测值与参考值相比， 酒精含量、 pH值以及残糖量的最大相对偏差均小于4%。 这为进一步开发红酒成分红外在线分析仪奠定了基础。

为了实现葡萄酒品种的快速无损鉴别, 选用五种干红葡萄酒, 进行可见和近红外光谱实验, 提出了一种用可见和近红外光谱技术快速鉴别葡萄酒品种的新方法。 采用独立主成分分析进行模式特征分析, 经过选用不同的独立主成分数进行建模和预测, 确定最佳独立主成分数为20。 将这20个主成分作为神经网络的输入变量, 建立三层BP神经网络, 实现类别预测的同时也完成了数学建模与优化分析工作。 5个品种的葡萄酒样本数均为35, 共计175个样本。 在神经网络学习中, 将其分成训练集样本150个和预测集样本25个。 对25个未知样本进行预测, 准确率为100％。 该研究在独立主成分分析的基础之上, 根据干红葡萄酒各独立主成分的混合矩阵向量载荷图, 选取了两个波段(400～430 nm与512～532 nm)作为葡萄酒的独立主成分分析的特征波段。 说明该文提出的基于光谱技术和模式识别的方法不仅对葡萄酒具有很好的分类和鉴别能力, 并且可以提取出葡萄酒的指纹特征, 可用于葡萄酒的检测与技术开发。