为提高活性炭含量检测的效率与精度，基于微波谐振技术设计了一种活性炭滤棒微波幅值变化信号采集装置，并将高斯滤波和惩罚最小二乘算法相结合对微波幅值变化信号进行降噪和基线扣除处理。首先，比较了不同高斯窗口长度的滤波效果，选用非对称最小二乘法、自适应迭代重加权惩罚最小二乘法、非对称重加权惩罚最小二乘法和多约束重加权惩罚最小二乘法等4种处理方法对微波幅值变化信号进行基线校正，再求出基线校正后微波幅值变化信号的峰高、峰面积与半峰全宽，然后比较了基于支持向量回归机、偏最小二乘算法与反向传播神经网络建立的模型的预测结果。结果显示，活性炭质量的最佳模型为“峰面积-活性炭质量”，模型决定系数为0.9924，平均绝对误差为0.7979 mg，相对标准偏差为1.4962%。活性炭质量重复性检测最大标准差为1.85 mg，活性炭质量检测的最小绝对偏差为0.03 mg，活性炭质量检测最小相对偏差为0.05%。该方法为烟用活性炭滤棒中活性炭的定量分析提供了一种快速有效的方法。

细菌拉曼光谱信号弱、相似度高且易被噪声干扰，使用传统机器学习方法对其分类时必须进行繁杂的光谱预处理，效率低下。为提高细菌拉曼光谱分类的准确率和效率，提出了一种基于密集连接的一维卷积神经网络模型Raman-net，无需额外的光谱预处理就能有效完成光谱分类。实验结果表明，Raman-net对Bacteria-ID公开数据集中30种细菌低信噪比拉曼光谱的分类准确率为84.26%，显著高于传统机器学习方法及对比方法。对于碳青霉烯类抗生素敏感和耐药的2种肺炎克雷伯菌表面增强拉曼光谱，Raman-net取得了99.16%的分类准确率。这表明对于细菌的普通拉曼光谱和表面增强拉曼光谱，Raman-net无需光谱预处理就能取得较好的分类效果，为致病菌的拉曼光谱鉴定提供了一种快速有效的方法。

提出一种联合表面增强拉曼散射(SERS)与卷积神经网络(CNN)的方法，并将其用于食源性致病菌的快速鉴定。以带正电荷的银纳米颗粒(AgNPs^＋)为SERS 基底，采集了金黄色葡萄球菌、大肠杆菌、副溶血性弧菌以及单增李斯特菌的SERS指纹谱，并在这些数据上训练了一个包含11个一维卷积层的残差网络ResNet11用于这4种病原菌SERS指纹谱的分类识别。实验结果表明：AgNPs^＋是一种优秀的SERS增强基底，可在624 cm^－1、730 cm^－1等波段增强4种病原菌的主要拉曼峰；构建的ResNet11分类器对10⁷ mL^－1菌液分子浓度下采集的SERS指纹谱取得了99.30%的分类识别准确率，并且对10³ mL^－1菌液分子浓度下采集的SERS指纹谱取得98.00%的识别准确率。

为了提高支持向量机的泛化能力，研究了Bagging集成学习方法对于支持向量机的提升作用，试验结果表明提升作用不明显。通过模拟数据扰动的方法，在标准数据集上通过试验定量比较了支持向量机和神经网络的稳定性，结果表明支持向量机相对于神经网络来说是一种稳定的分类器。在此基础上，提出了双重扰动法，即通过子空间法扰动数据特征，通过Bagging算法扰动数据分布，来达到提高基分类器之间差异性的目的，在标准数据集和故障诊断数据上进行了试验，试验结果表明，双重扰动法较好地提升了支持向量机的正确识别率。