利用红外光谱分析仪对天然气组分进行组分分析时所获得光谱信号往往会受杂散光、噪声、基线漂移等因素的干扰，从而影响最终定量分析结果，故需要在建模前对原始光谱进行预处理。为解决仪器测量光谱图的噪声干扰问题，本文提出一种 Savitzky-Golay平滑法结合 sym6小波函数软阈值去噪法对光谱图进行预处理。将传统的预处理方法与 SG平滑法结合小波函数法进行对比分析。结果表明，以 SG平滑法结合 sym6小波函数软阈值去噪法对光谱图进行预处理，其拟合优度数值最高为 0.98652，残差平方和数值最低为 5.50694，证明使用该方法后的函数分峰拟合效果最佳，处理效果优于传统方法。

针对传统垩白大米检测主观随意性大、 可重复性低、 检测过程耗时费力、 准确率低等问题, 提出一种基于可见光谱图结合深度学习算法的垩白大米检测手段。 用CCD彩色摄像机获取垩白大米和正常大米可见光谱图, 对图像进行旋转、 翻转以及调整对比度等随机图像变换方式提升网络训练数据集, 防止深度检测模型在学习过程中出现过拟合现象。 构建了7层深层次卷积神经网络模型, 包括卷积层、 池化层、 全连接层和输入输出层, 通过网络模型对采样的大米可见光谱图集进行卷积与池化操作, 采用迭代学习训练方法获取大米可见光谱图在卷积层输出的特征参数, 采用连接非线性ReLU激活函数来降低训练时间, 以加速大米可见光谱图有效抽象特征提取的收敛速度； 然后将深度神经网络嵌入池化层, 对大米特征降维以获取能够表达正常大米和垩白大米可鉴别显著意义特征； 最后在全连接层输出进行分类, 从而实现对垩白大米的精确识别。 基于可见光谱图的大米垩白深度检测方法比传统基于可见光谱图的垩白大米鉴别特征提取方法免去了复杂的特征提取步骤, 由于卷积网络提取的特征对特定目标具有更鲁棒的表达, 算法精度较高且复杂度比较小, 泛化效果更好, 获得识别精度达到90%, 比基于传统特征提取的垩白大米鉴别方法识别精度高, SIFT+SVM, PHOG+SVM和GIST+SVM模型识别精度分别为70.83%, 77.08%和79.16%。 提出的方法为当前我国现代农业生产中实现大米品质自动化快速精准检测提供了理论依据和有效的技术手段, 对于现阶段实现大米品质人工智能检测产生实际意义。

海洋是地球生态环境的重要一环, 但人类对海洋资源的勘探和开采容易对其造成严重破坏, 如油气开采过程造成的大面积溢油、污染和赤潮爆发等。高光谱成像技术可以同时获取图像信息与高分辨光谱信息, 在海洋原位探测上具有重大应用。文中综述了小型高光谱图谱仪与激光雷达及其在海洋应用上的部分近期工作。小型高光谱图谱仪结合荧光技术, 实现了溢油种类的分类和油膜厚度的估计。多模式高光谱海洋原位探测系统可以工作于普通反射或透射成像、望远成像、显微成像三种模式, 实现了海洋不同藻类及鱼类传染病载体孢囊的高光谱探测。高光谱技术结合激光雷达技术在溢油、赤潮等海洋污染物监测方面具有很大潜力。非弹性高光谱沙姆激光雷达系统通过油品的荧光光谱实现了海洋溢油油品的遥测鉴别。形貌沙姆激光雷达系统基于二维沙姆成像原理, 通过空气-水界面折射矫正, 成功的对人体、贝壳、珊瑚等进行了三维形貌重构, 近处恢复精度可达毫米级, 表面纹路清晰可见, 为海洋监测应用提供了新的技术支持。

提出一种基于可见光谱图多模态词典特征低秩稀疏表示框架的大豆外观品质判别方法,以精确确定大豆品质等级。首先,提取大豆粒子可见光谱图像的多尺度空间梯度特征和色差分量(YCbCr)颜色空间特征;将上述提取的空间梯度特征和颜色空间特征看作视觉词汇,通过Kernel K-means聚类算法获取视觉词汇的核空间局部分布聚类中心,形成视觉词典;然后,使用低秩稀疏表示法耦合上述两种特征,用于消除高维异质模态词典描述符中冗余信息的影响;最后,在高维耦合空间中根据样本之间的度量对低秩稀疏耦合表示多模态词典特征进行分类。所提方法充分利用多模态多尺度空间梯度特征和YCbCr颜色空间特征来描述大豆粒子外观品质的语义特征归属。实验结果表明:建模集和预测集总的识别精度分别达92.7%和80.1%,所提方法的识别精度优于文献中提出的基于单一模态的视觉词典特征表示方法。

为识别空间外差光谱仪探测目标干涉信号的特征信息, 提出一种基于经验模态分解与回归分析的空间干涉谱目标提取方法。首先对预处理后的光谱进行经验模态自适应分解, 得到各阶次固有模态分量并分别计算它们与原始光谱信号的Pearson相关系数, 根据相关系数分选准则判定背景与目标信息重构的分界点。然后计算重构背景与实测背景间的Pearson相关系数来判定经验模态分解结果。对信号主导的固有模态分量利用小波软阈值进行消噪,重构较纯净的目标特征信息; 利用目标特征信息与原始干涉光谱信息进行多元线性回归分析获得最佳的近似滤波系数, 构造滤波器并应用到目标信号, 提取目标。最后通过差谱信号与提取的目标光谱的Pearson相关系数来判别提取的目标信号。实验结果表明: 经验模态分解可将背景与目标近似分离; 在未知背景信号情况下, 利用经验模态分解与回归分析可实现钾共振双线特征光谱的提取。

助推段导弹有高温、大面积的尾焰,根据尾焰光谱特征可准确识别导弹。将其应用到天基预警系统能够使导弹防御系统趋于完善,但光谱信息数据量庞大,从获取光谱信息到识别光谱信息需要耗费大量时间。为此,寻找能够代表导弹尾焰光谱的特征光谱,使用模糊算法对特征光谱进行数据处理,以达到准确、快速识别的目的。利用已有的红外图像和大气、云层、导弹及飞机尾焰光谱数据进行特征光谱图像拟合,经信噪比分析后可知,特征光谱图像比全波段红外光谱图像的信噪比高。分别使用模糊算法和光谱角测度对拟合图像进行处理,结果表明模糊算法的实时性和准确性优于光谱角测度。

基于质心提取的线性拟合法，提出了一种自动化快速处理中阶梯光栅光谱仪谱图的方法，解决了中阶梯光栅光谱仪无法直接通过交叉色散形成的二维光谱图标定入射光波长的问题。根据中阶梯光栅光谱仪光谱图背景光的分布特点，采用背景扣除法处理光谱图，提高了后续光谱图光斑提取算法的运算效率。利用基于质心的曲线拟合中心定位算法，将光斑位置的提取精度提高到亚像素量级。建立了中阶梯光栅光谱仪理论谱图与实际二维谱图的自动匹配模型，并根据光栅的线性色散特性，采用插值法计算谱图还原模型中未列出的坐标位置处的波长。实验结果表明: 该算法对整个谱图的处理时间不超过3 s，波长提取精度达10-2 nm，不仅实现了中阶梯光栅光谱仪波长的自动化提取，还提高了波长提取精度。

中阶梯光栅光谱仪通过交叉色散形成的二维光谱图,无法直接对入射光的波长进行光谱标定。为此，建立了C-T型棱镜透射式中阶梯光栅光谱仪的谱图还原模型，分别分析了棱镜和光栅色散方向的色散规律以及棱镜与光栅之间的相互作用关系，并且建立了波长与像面坐标的关系表达式。根据该类中阶梯光栅光谱仪的光路结构特点，以及光束在各个光学元件的传输特性，校正各光学元件引入的坐标计算误差，最终精确计算出波长所对应的像面坐标,完成谱图还原模型的建立。通过该方法建立的模型可快速准确地对该类型中阶梯光栅光谱仪二维谱图进行谱图还原及波长标定，模型的计算误差小于一个像元。

在加压光折变掺铈铌酸锶钡(SBN)晶体中观察了由无衍射分立光束所产生的光子晶格。重点实验观察了三束光干涉和六束光干涉两种情况下所产生的光子晶格， 利用远场衍射图、布里渊区光谱图和傅里叶空间频谱图比较了这两种光子晶格的相同点和区别，并且进行了理论分析。结果表明由三束光干涉产生的光子晶格 更均匀稳定。另外，又分别模拟了四光束干涉、五光束干涉、七光束干涉、八光束干涉、九光束干涉和十光束干涉这几种情况下所获得的光子晶格的传输图。