为探究典型地物间光谱特征差异以及针对传统光谱分类方法预处理复杂、精度较低等问题，以大豆、玉米、水稻和裸土4类地物为例，充分挖掘变量在分类中的重要性，进行深度学习方法与传统方法的对比分析与验证。首先利用连续投影算法（SPA）进行基础波段筛选，对比分析在原始光谱、特征波段以及部分特征波段条件下一维卷积神经网络（1DCNN）和长短时记忆人工神经网络（LSTM）两种深度学习模型的分类精度，探究特征波段对原始光谱的信息承载能力；然后针对错分问题，采用进阶式波段筛选方法，在基础变量组合条件下，对各类地物错分样本进行再次训练，如此循环，直到分类精度无明显增加，研究错分样本的光谱特征及错分规律；最后比较不同方法的分类精度。研究结果表明：基础波段筛选可以剔除光谱数据中大量的冗余信息，简化网络结构，提高模型效率；进阶式波段筛选方法可以递进增补针对错分样本的有效光谱信息，对提高传统方法的分类精度具有较大意义；在不经过光谱变换等预处理步骤时，深度学习方法也能取得较高的分类精度，明显优于传统方法，但训练过程较为复杂，可解释性较差。

在司法鉴定领域, 涉及电击死亡的案件多发, 鉴别死者是生前还是死后受到电击仍是法医病理学鉴定的难点问题之一。 为此通过傅里叶变换红外光谱融合机器学习模型对心脏组织视角下的电击死和死后电击两种情况开展分类识别研究。 将30只大鼠进行电击死、 死后电击和对照处理, 通过光谱仪扫描得到其心脏组织光谱, 采用竞争性自适应重加权算法共提取到70个光谱特征波长, 建立随机森林模型对特征波长提取前后的心脏组织光谱进行模式识别； 结果表明, 特征波长提取前后模型分类识别的准确率分别为34.9%和73.7%, 验证了特征波长提取方法的有效性和必要性。 同时建立偏最小二乘模型、 传统支持向量机以及粒子群算法和灰狼算法优化的支持向量机模型进行分类识别, 结果表明, 模型分类识别的准确率分别为61.07%、 34.48%、 100%和98.46%, 对比发现经特征提取后的粒子群优化支持向量机模型分类识别效果最好。 为排除“生物学死亡期”的干扰, 又取60只大鼠按同种方式对其处理, 每组又分死后0.5 h和死后1 h 2个亚组, 再次通过傅里叶变换红外光谱仪扫描得到光谱数据, 数据预处理后将其与之前得到的数据进行一并处理并结合粒子群优化支持向量机模型分析, 结果表明, 该方法分类识别的准确率可达到80.85%。 这为电击死领域的法医学鉴定提供了新的研究思路和方法, 说明傅里叶红外变换红外光谱结合机器学习模型可以作为一种补充工具来提供相对客观的判断, 具有重要的研究意义。

为了加强硫化橡胶及其助剂的检测分析, 对外表、气味或者特性相似的橡胶及其助剂准确分类, 将改进的粒子群优化支持向量机的建模方法引入到太赫兹光谱的定性分析中。结果表明, 针对不同的数据集, 本研究算法最低的综合分类正确率为81.25%; 相较于传统粒子群优化的支持向量机算法, 本算法在识别时间上也有所提高, 时间耗费整体小于9.40s。该方法针对不同数据集可以稳定、准确地分类, 为硫化橡胶及其助剂的定性分析提供了新的研究思路。