确定中药品种是确保中药材质量的第一关。为探索中草药品种的快速鉴别方法，本文应用太赫兹光谱技术结合模式识别方法对 6种中草药进行分类鉴别。采集了白附片、大黄、党参、陈皮、麦冬、天麻等 6种常用中草药，共得到 420组太赫兹光谱数据，在 0.2~1.5 THz波段分别采用支持向量机 (SVM)、主成分分析 (PCA)和支持向量机相结合、线性判别分析(LDA)结合支持向量机等方法对 6种中药材进行了定性鉴别分析。结果表明，太赫兹光谱数据结合线性判别分析和支持向量机建立的 LDA-SVM中草药品种识别模型最优，模型准确率达 100%，对未知样本的鉴别准确率达 98.41%。本文的 LDA-SVM模型具有较好的鉴别能力，能快速准确地鉴别出中药材的品种，为中草药的质量控制提供了又一鉴别手段。

利用太赫兹时域光谱技术对黄耆类牧草种子样品进行测试，得到5种常见沙打旺牧草种子在0.2~1.2 THz有效频率范围内的太赫兹时域谱，然后通过快速傅里叶变换得到了各牧草种子样品的吸收系数、折射率等光学参数。研究后发现：在有效频率范围内，样品时域谱的峰值强度和延迟时间均不同，且每条谱线的平均吸收系数和标准差也有明显差异，各样品的平均折射率也有较大差异。同时，本文提出了一种将主成分分析（PCA）与随机森林（RF）机器学习算法相结合的优化实验数据的混合模型PCA-RF，并基于太赫兹折射率谱，采用PCA-RF模型和RF模型对5种牧草种子的200个数据集进行了统计计算。结果表明：混合模型PCA-RF的平均分类准确率为91.20%；与RF模型相比，不管是总的平均分类准确率，还是每种样品的分类准确率，PCA-RF模型都优于RF模型。研究结果表明，太赫兹时域光谱技术结合混合机器学习算法的PCA-RF模型是一种无损鉴定牧草种子真伪的有效手段，可用于鉴别同族且差异较小的牧草品种。

青霉素类药物在临床上的应用十分广泛,此类药物的真伪鉴别以及药物含量的鉴定是极其重要的。利用自主搭建的太赫兹时域光谱系统,对纯青霉素钠和三种不同厂家的阿莫西林胶囊进行了测试分析,获得了四种药品在0.2~1.4 THz波段的吸收谱,发现它们均存在明显的吸收峰。同时,在相同质量下测试了纯青霉素钠和不同含量的阿莫西林在吸收峰强度上的变化,分别得到了四种药品的质量和强度的对应关系。最后将阿莫西林三种药品的强度放在一起进行对比,可直观地看到含量和强度之间的对应关系。对纯青霉素钠和阿莫西林的光谱研究结果表明:利用太赫兹光谱可对青霉素类药物进行定性鉴定和定量分析,这对青霉素类药品的物质鉴别等有重要意义。

近红外光谱属微弱信号, 其质量易受被测物体自身状态及各种外界因素干扰, 具体而言, 在近红外光谱定性分析中, 影响光谱质量的因素主要有光谱仪状态改变、 光谱采集人员错误操作、 奇异样本干扰等。 建模时若混入质量较差的光谱易影响所建模型的稳健性与适用性, 因此光谱质量判定是确保模型预测能力的一项重要工作。 目前用于定量分析的光谱质量判定研究较多, 而用于定性分析的光谱质量判定研究较少, 为此, 提出一种基于支持向量机数据描述的近红外光谱定性分析光谱质量判定方法, 采用自制漫透射近红外光谱装置采集单籽粒玉米光谱, 以正常状况下采集的某品种玉米单籽粒漫透射光谱作为正常样本, 而人为漏光、 近红外探测器窗口覆盖玉米表皮碎屑、 光源强度改变、 光源与被测玉米籽粒距离改变、 相近品种玉米籽粒混入等几种情况下所采集光谱作为异常样本, 在此数据集基础上研究了基于支持向量机数据描述的定性分析光谱质量判定模型建立的原理与方法, 其后将支持向量机数据描述方法与常用的马氏距离法、 局部异常因子法等光谱质量判定方法进行了对比, 并以正常样本正确识别率与异常样本正确拒识率的均值作为评价标准, 对实验结果进行分析, 由实验结果可以看出相比其他两种方法, 基于支持向量机数据描述的光谱质量判定方法具有最优判定能力, 建模集正常样本数目会影响光谱质量判定能力, 在实际使用光谱质量判定方法时, 建模集应包含足量样本。 在近红外定性分析时可以将该方法作为剔除异常光谱的手段, 在预处理、 特征提取, 模式分类等近红外光谱定性分析步骤前首先进行基于支持向量机的光谱质量判定步骤, 并剔除异常光谱, 可有效提高近红外光谱定性分析模型的可靠性, 亦为近红外光谱定性分析光谱质量判定提供新的方法参考。

单倍体育种技术是玉米育种新方法, 该方法可有效缩短产生纯合系的周期, 提高育种效率。 该技术需首先挑选足量单倍体籽粒, 而玉米在未加人工干预时, 单倍体在混合籽粒中仅占0.05%～0.1%, 即使采用生物诱导技术, 单倍体籽粒数一般也不到籽粒总数的10%。 高速、 精准地从大量混合籽粒中挑选得到占比少于10%的单倍体籽粒, 才能够满足工程化育种需要, 而实际育种工作中挑选单倍体时常用的分子生物学、 田间形态学辨别等方法存在耗时长、 成本高、 破坏样本等缺点, 难以高效精准地得到玉米单倍体籽粒。 相关研究已经证明高油玉米的单倍体与二倍体之间具有明显含油率差异, 目前低场核磁共振技术可用于检测玉米单籽粒的含油率, 并根据含油率对单倍体进行鉴别, 但核磁共振仪存在价格贵、 维护难、 速度慢、 效率低等弱点, 现有设备完成单籽粒分选需用时4 s, 无法满足工程化育种中大量筛选的速度需求。 使用VIAVI微型近红外光谱仪能够达到0.25 s每颗的检测速度, 相比核磁共振技术速度快, 仪器价格较低, 维护方便。 使用近红外光谱仪分析技术对单倍体与二倍体籽粒进行鉴别, 可以取代核磁共振鉴别单倍体的方法。 采用近红外光谱定性鉴别单倍体籽粒虽然取得了一定效果, 但目前研究中所采集玉米品种相对较少, 研究只针对某一品种单倍体建立模型, 对该品种单倍体进行分类; 国内外尚无多品种混合单倍体鉴别相关研究, 而工程化育种亟需一种能够识别多个品种玉米单倍体的鉴别方法。 为此, 本文提出一种基于深度信念网络的多品种混合玉米籽粒单倍体鉴别方法, DBN是一种多层深度神经网络, 每层由受限玻尔兹曼机构成, 采用逐层训练策略, 可解决传统神经网络训练方法不适用于多层网络训练的问题。 对比实验结果表明使用DBN方法建立多品种单倍体鉴别模型具有较高分类性能, 能够满足玉米工程化育种精度要求。

为了通过喇曼光谱对不同采收期的连翘叶进行快速质量评价，采用RM-1000型共焦显微喇曼光谱仪获取其喇曼光谱图后，对其喇曼图谱进行比较的方法，进行了理论分析和实验验证，取得了不同采收时间的连翘叶喇曼光谱特征峰强度的数据。结果表明，连翘叶的喇曼峰主要位于700cm-1~1600cm-1和2600cm-1~3100cm-1范围内，这些特征喇曼峰和其主要有效成分连翘苷密切相关，可以用于连翘叶的定性鉴别;不同采收时间连翘叶的喇曼特征峰强度存在明显差异，可以用于连翘叶的质量评价。喇曼光谱对连翘叶的定性鉴别和质量评价具有直接快速、简单准确的优势，这一结果对中药的质量控制是有帮助的。