近红外光谱检测技术可反映样品内部含氢化学键伸缩振动与合频吸收信息, 具有分析速度快、 经济、 重现性好以及环境友好等优点, 常用于食品、 药品及材料领域的检测分析之中。 豌豆是世界上最重要的栽培作物之一, 种植、 分布广泛, 具有高淀粉、 高蛋白、 低脂质等营养特性, 长久以来受到消费者的喜爱。 为了明确不同产地豌豆的近红外光谱建模差异, 对不同产地豌豆进行建模分析。 研究采集了河南省南阳市不同地区42份豌豆样本, 首先测定了豌豆的营养成分(总淀粉、 蛋白质、 水分、 灰分及脂质), 再重点采用近红外光谱中的积分球漫反射技术, 在12 000~4 000 cm-1波段对不同豌豆样品进行光谱采集, 通过判别分析模型(DA)结合不同的预处理方法得到最优预处理数据, 结合主成分分析(PCA)、 偏最小二乘判别分析(PLS-DA)以及正交偏最小二乘判别分析(OPLS-DA)等方法, 对光谱特征差异进行分类分析, 从而构建并验证南阳豌豆的产地识别模型。 结果表明, 不同区域南阳豌豆的营养组分及含量总体差异较小(总淀粉36.30%~46.93%, 蛋白质16.37%~25.50%, 水分6.78%~9.16%, 灰分2.29%~3.38%, 脂质0.37%~1.43%)； 基于近红外光谱建立的判别模型表明, DA模型判别分析准确率可达92.4%, 并且PCA、 PLS-DA以及OPLS-DA得到的模型预测能力分别为96.7%, 85.1%和83.6%, 表明以上模型均可实现南阳豌豆鉴别模型的建立。 此外, 通过变量重要性投影值法提取(VIP>1.0)筛选出的不同产地差异波段显示, 4 710~4 000, 5 320~5 200以及7 200~6 220 cm-1可作为南阳豌豆产地鉴别的特异性检测波段。 该研究可为构建不同区域豌豆产地鉴别、 追溯信息库提供方法学依据。

针叶害虫爆发将会削减林木针叶水分和叶绿素含量, 导致林木冠层颜色发生变化, 甚至使林木死亡。 这严重威胁森林生态系统健康安全。 通过遥感技术监测受害林木冠层颜色变化, 可对虫害林生态系统安全进行快速评估。 因此, 虫害林木冠层不同颜色判别研究极为重要。 基于此, 选择蒙古国肯特省和杭爱省的3个雅氏落叶松尺蠖爆发林区（binder, Ikhtamir和Battsengel）为试验区, 开展落叶松受害过程冠层颜色变化信息调查和光谱测量试验, 并利用高光谱特征和机器学习算法判别了落叶松冠层不同颜色。 首先通过虫害灾区林木调查对冠层颜色进行了分色, 即绿色、 黄色、 红色和灰色。 同时根据不同危害程度下林木冠层不同颜色, 从试验区选取66棵样本树, 并对其冠层进行了光谱测量。 其次以样本树光谱反射率曲线为基础数据, 计算平滑光谱反射率（SSR）、 微分光谱反射率（DSR）和平滑光谱连续小波系数（SSR-CWC）等高光谱特征, 并借助方差分析法揭示了这些高光谱特征对冠层不同颜色的敏感性。 再次采用Findpeaks函数和连续投影算法结合模式（Findpeaks-SPA）快速提取了SSR, DSR和SSR-CWC等高光谱特征的敏感特征。 最后通过随机森林分类（RF）和支持向量机分类（SVMC）算法构建雅氏落叶松尺蠖虫害林木冠层不同颜色判别模型, 并与费歇尔判别（FD）模型进行比较, 评价了判别模型精度。 研究发现: (1)可见光的多个波段, SSR-CWC对冠层不同颜色表现出了极显著的敏感性。 (2)基于Findpeaks-SPA模式能够有效提取敏感高光谱特征, 该模式不仅大大降低高光谱特征数量, 而且改善了多重共线性问题。 (3)判别冠层不同颜色最有潜力的高光谱特征为SSR-CWC, 其Daubechies系、 Biorthogonal系、 Coiflets系和Symlets系的最优小波基分别为db9, bior1.5, coif1和sym4, 其中db9-RF（SVMC）达到了最高的判别总体精度（0.900 0）。 这比SSR-RF（SVMC）和DSR-RF（SVMC）模型分别提高了0.250 0（0.450 0）和0.250 0（0.100 0）。 (4)基于DSR和SSR-CWC的RF和SVMC模型判别精度优于FD模型, 尤其db9-RF（SVMC）模型更为明显, 其判别总体精度和Kappa系数比db9-FD模型分别提高了0.150 0和0.167 0。 可见, 在虫害林木冠层不同颜色判别中db9-RF（SVMC）有极大潜力。 这为林业和生态安全相关部门对森林虫害严重程度进行遥感监测提供重要参考和实用价值。

为了提高检验鉴定效率、降低检验鉴定成本, 实现对案件现场车用保险杠碎片的快速无损检测, 采用了基于红外指纹光谱结合牛顿插值多项式、光谱求导和判别分析的车用保险杠鉴别方法。采集并获取奥迪等6种品牌共计40个不同型号的车用保险杠样本的红外光谱, 选择牛顿多项式插值、光谱求导等方法建立了判别模型。结果表明, 基于指纹区波段建立的判别模型总体准确率(80.0%)高于全波段模型(77.5%), 指纹区光谱结合4次牛顿插值多项式处理后的判别准确率可到85%, 经1阶导数处理后判别准确率可达100%, 以判别函数DF1和DF2作为判别轴构建判别分类模型, 6种品牌的样本均实现了100%的准确区分; 红外指纹光谱结合4次牛顿插值多项式、1阶导数和判别分析可实现车用保险杠品牌快速、无损鉴别, 且模型检测精度高。该方法具有普适性和一定的借鉴意义。

滩羊肉的新鲜度是其品质安全的一个重要衡量指标, 也是肉品品质安全控制的关键环节。 挥发性盐基氮（TVB-N）是表征肉品腐败过程主要的化学信息, 能有效地评价出滩羊肉的新鲜度。 然而, TVB-N的传统检测过程繁琐且人为影响因素大, 检测结果缺乏客观性和一致性, 不能满足当今肉品检测过程无损、 快速、 高效的需求。 高光谱成像技术符合现代检测技术向多源信息融合方向发展的需求, 已在食品安全领域得到广泛应用。 利用可见/近红外高光谱成像技术（400~1 000 nm）结合动力学和化学计量学方法以及计算机编程技术, 将同时实现滩羊肉贮存期内（15 ℃环境）TVB-N 浓度的快速检测和贮藏期的预测。 研究中提取每个样品感兴趣区域的平均光谱数据, 选用蒙特卡洛算法剔除异常样本。 采用X-Y共生距离（SPXY）法划分为校正集和预测集, 分别选用多元散射校正（multiplicative scatter correction, MSC）、 卷积平滑（savitzky-golay, SG）、 标准变量变换（standard normalized variate, SNV）、 归一化（normalization）、 基线校准（baseline）五种方法对原始光谱数据进行预处理, 优选出最佳预处理方法。 采用竞争性自适应重加权法（campetitive adaptive reweighted sampling, CARS）和连续投影算法（successive projections algorithm, SPA）分别提取了21个和6个特征波长。 为优化模型并提高其模型精度, 采用SPA算法对 CARS 所选特征波长进行二次提取, 优选出14个特征波长。 基于所提取的特征波长建立TVB-N浓度的PLSR模型, 优选出 SNV-CARS-SPA-PLSR 模型具有较高的预测能力（R2c=0.88, RMSEC=2.51, R2p=0.65, RMSEP=2.11）。 同时, 建立了滩羊肉TVB-N变化与贮藏时间的动力学模型, 并将优化后的光谱模型和动力学反应模型相结合建立了滩羊肉光谱吸光度值与贮藏时间的高光谱动力学模型, 实现对贮藏时间的预测, 并通过 PLS-DA判别模型对滩羊肉贮藏时间进行判别分析（校正集判别准确率为100%, 预测集为97%）。 研究表明, 利用可见/近红外高光谱成像技术结合动力学和化学计量学方法以及计算机编程技术, 可以有效地实现滩羊肉品质智能监控与质量安全快速无损分析, 为开发实时在线检测装备提供理论参考。

基于近地高光谱成像技术结合化学计量学方法, 实现了黑豆品种的鉴别。 实验以三种不同颜色豆芯的黑豆为研究对象, 采用高光谱成像系统采集380～1 030 nm波段范围的高光谱图像, 提取高光谱图像中的样本感兴趣区域平均光谱信息作为样本的光谱进行分析, 建立黑豆品种的判别分析模型。 共采集180个黑豆样本的180条平均光谱曲线。 剔除明显噪声部分之后以440～943 nm范围光谱为黑豆样本的光谱, 采用多元散射校正(multiplicative scatter correction, MSC)对光谱曲线进行预处理。 分别以全部光谱数据、 主成分分析(principal component analysis, PCA)提取的光谱特征信息、 小波分析(wavelet transform, WT)提取的光谱特征信息建立了偏最小二乘判别分析法(partial least squares discriminant analysis, PLS-DA), 簇类独立模式识别法(soft independent modeling of class analogy, SIMCA), 最邻近节点算法(K-nearest neighbor algorithm, KNN), 支持向量机(support vector machine, SVM), 极限学习机(extreme learning machine, ELM)等判别分析模型。 以全谱的判别分析模型中, ELM模型效果最优; 以PCA提取的光谱特征信息建立的模型中, ELM模型也取得了最优的效果; 以WT提取的光谱特征信息建立的模型中, ELM模型结识别效果最好, 建模集和预测集识别正确率达到100%。 在所有的判别分析模型中, WT-ELM模型取得了最优的识别效果。 实验结果表明以高光谱成像技术对黑豆品种进行无损鉴别是可行的, 且WT用于提取光谱特征信息以及ELM模型用于判别黑豆品种能取得较好的效果。