以2 μm窄线宽分布式反馈（DFB）激光器为光源，搭建了一套新型V形结构离轴积分腔吸收光谱实验装置。利用LightTools光学仿真软件对实验光路进行模拟仿真和优化分析，获得了V形腔内的高反射镜表面光斑分布规律，选择合适的入射角度可很好地提高镜面利用效率，并进一步确定了在V形结构双边对称且单边臂长为25 cm的情况下，腔体最佳夹角为23.06°。根据设计加工腔体并搭建吸收光谱实验装置，使用体积分数为400×10^-6的CO₂标准气体在4991.258 cm^-1处对装置进行了实验研究，标定了高反镜的实际反射率和V形腔的有效光程。通过测量装置的Allan方差评估了实验装置的性能，实验结果表明，当平均时间为375 s时，装置检测限可达0.35×10^-6。利用该装置在 4986.9955 cm^-1处对室内NH₃分子进行测量，获得了NH₃的吸收谱线，同时使用Savitzky-Golay算法对光谱数据进行平滑处理，获得了46.06的信噪比，展示了V形结构的离轴积分腔装置优异的弱检测能力，为复杂环境下离轴积分腔装置的搭建提供了新的结构选择。

可调谐半导体激光吸收光谱技术（TDLAS）利用半导体激光器的可调谐和窄线宽特性, 通过选择特定气体的单条吸收线, 排除其余气体的干扰, 可以实现高精度、 高选择性的气体浓度测量, 在气体浓度检测系统中具有广泛的应用前景。 在不同的应用条件和环境下, 需要解决相应的硬件和数据处理方面的技术问题。 主要研究TDLAS技术机动车尾气CO组分浓度遥测系统中的光谱数据处理问题, 该系统利用路面漫反射回波信号遥测行驶中的机动车尾气CO组分浓度。 由于激光扫描光谱回波信号受到漫反射面情况变化、 空气环境变化、 尾气湍流影响等因素影响, 探测器收集到的信号不仅较弱同时也夹杂着多种噪声, 即测量光路信噪比较差, 故提出一种自适应层进式Savitzky-Golay(S-G)平滑滤波算法, 实现了对光谱进行滤波处理从而更加准确地反演CO浓度。 S-G滤波算法因其原理简单、 功能强大、 只需设置两个参数（窗口大小、 拟合阶数）等优点, 已广泛应用于光谱处理。 如何正确设置S-G算法参数使滤波效果在去噪不足和过度滤波之间找到平衡点, 是该滤波算法应用的一大难题。 设计的检测系统中, 测量光路光谱信号为非平稳信号, 噪声和有效信号幅度时变, 最佳窗口大小和多项式阶数随信号动态而变化, 且变化区间较大, 使用固定参数的S-G滤波器难以达到最佳效果。 提出的自适应层进式S-G平滑滤波算法, 通过逐层将测量光路光谱信号经过S-G滤波后, 与参考光路的光谱信号设置的参考段比对信号相关系数和信号一阶导相关系数的和, 以自适应得到逐层最优参数。 通过对信噪比从981～2977的10组不同带噪光谱分析验证了该算法的有效性, 自适应层进式S-G算法能较好地去除噪声并还原带噪信号所携带的待测气体浓度信息, 与带噪光谱对比, 吸收光谱峰值最大误差由25152%降至5917%, 积分吸光度最大误差由181%降至39%。 在实现的系统中, 使用自适应层进式S-G算法对测量光路进行滤波处理, 并对不同车型、 不同排量、 燃烧不同油品的机动车在怠速和缓速通过(5 km·h-1)系统时其排放的CO浓度进行实时在线监测。

基线漂移是目前光谱仪收集拉曼光谱时难以避免的现象。在应用拉曼光谱进行定性、定量分析过程中, 基线漂移会给光谱分析带来不利影响, 为增强分析结果的准确性和稳定性, 需要对拉曼光谱进行基线校正预处理。为了校正基线漂移, 提出一种动态移动最小二乘多项式平滑(DMSG)的方法拟合背景基线, 自动识别原始光谱的谱峰区域和非谱峰区域的子区间, 从而在每个拉曼光谱子区间中自动控制平滑迭代次数与窗口宽度, 逐渐将拉曼谱峰数值逐渐拉低到与基线同等量级, 最终得到整个光谱的基线估计。将该算法应用于模拟和实际拉曼光谱进行基线校正, 结果表明该算法无论对模拟的拉曼光谱还是真实拉曼光谱, 都有较好的基线校正效果, 为进一步分析光谱数据提供更准确的信息, 是一种可行的基线校正方法。

为了快速、准确地测定强化生物除磷(EBPR) 过程中污泥胞内糖原的含量,采用 4种预处理方法分别对污泥近红外光谱进行预处理,并结合联合区间偏最小二乘(siPLS) 进行变量优选,建立光谱吸光度数据与糖原含量的定量分析模型。结果表明,将一阶 S-G(Savitzky-Golay) 平滑处理后的光谱等分为 20个子区间,联合子区间[10 13 16 19]建立的 siPLS模型预测效果最优,预测集的均方根误差(RMSEP) 和相关系数(rp) 分别达到 0.0048、0.9105,且该模型的交互验证和外部验证相对分析误差(RPD) 均大于 3.0。一阶平滑处理后的光谱 siPLS模型预测精度高、建模变量少,可实现糖原含量的快速测定。

原始近红外光谱数据含有大量的噪声信号和较大的数据量，所以在进行光谱数据分析之前对光谱数据进行预处理是非常必要的。近红外光谱数据的预处理主要有两个任务，一是降噪，提高模型的稳健性和预测结果的准确性；二是数据压缩，以便于数据的存储，提高建模速度。传统的近红外光谱数据预处理方法各有局限，很难在这两方面都得到令人满意的效果。将小波分析用于苹果近红外光谱数据的预处理，并选取峰值信噪比(Peak Signal to Noise Ratio, PSNR)和归一化相关系数(Normalized Correlation, NC)作为评价指标。与常用的Savitzky-Golay平滑滤波和多元散射校正相比，小波方法不仅能有效地实现数据压缩，而且在噪声去除和光谱细节保持等方面都具有优势。