以近红外光谱技术在油茶籽粕检测中的应用为研究对象，在简单介绍近红外光谱技术的原理、特点及分析过程的基础上，详细阐述了该技术在油茶籽粕检测中的建模过程，为后续工作者更好地建立油茶籽粕近红外光谱分析模型提供理论依据和指导。同时，通过分析近红外光谱技术在油茶籽粕检测指标、标准制定以及模型转移技术中的发展，总结出该技术在油茶籽粕检测中的三个研究方向：开拓新项目的模型建立、制定普遍适用的标准、解决台间差并完成模型转移。油茶籽粕广泛应用于动物饲料、特医食品、保健食品等行业，因此大力开拓和推广近红外光谱技术在油茶籽粕检测中的应用是必然趋势。

基于近红外光谱技术与统计方法, 提出了一种樱桃番茄内部品质快速、 无损检测方法。 首先采集样品的近红外光谱, 采用多元散射校正(MSC)、 Savitzky-Golay卷积平滑(SG)、 Savitzky-Golay卷积一阶导数(SG 1st)、 去趋势化(De-trending)、 变量标准化(SNV)5种预处理方法消除光谱干扰, 筛选出最佳预处理方法; 然后采用连续投影算法(SPA)、 稳定性竞争性自适应重加权算法(SCARS)、 遗传算法(GA), 以及引入自动有序预测因子选择算法进行改进的遗传算法(IGA)4种特征波长提取方法减少变量冗余, 选择最优特征波长提取方法; 最后结合回归方法——将冯诺依曼拓扑结构、 轮盘赌选择、 锦标赛选择和自适应权重与鲸鱼算法相结合来对算法进行改进, 采用改进的鲸鱼算法优化最小二乘支持向量机方法(IWOA-LSSVM), 与基于粒子群算法优化的BP神经网络方法(PSO-BPNN)和基于鲸鱼算法优化的最小二乘支持向量机方法(WOA-LSSVM)进行对比, 分别建立樱桃番茄内部品质含量的预测模型。 结果表明： 樱桃番茄内部品质中的可溶性固形物(SSC)含量使用De-trending-IGA-IWOA-LSSVM模型效果最佳, 其中校正集决定系数和预测集决定系数分别是0.917 2和0.866 7, 校正均方根误差和预测均方根误差为0.542 3和0.768 2, 预测相对误差达到2.592 9; 维生素C(VC)含量使用SG-IGA-IWOA-LSSVM模型预测效果最准确, 其中校正集决定系数和预测集决定系数分别为0.857 6和0.821 6, 校正均方根误差和预测均方根误差分别是0.661 4和0.634 2, 预测相对误差达到2.078 5。 以上结果表明, 采用近红外光谱技术与统计方法结合可实现对樱桃番茄内部品质的快速无损预测分析。

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。

近年来， 随着林纸一体化战略的推进， 多使用混合原料制浆。 而混合原料比例及成分含量的快速分析难以实现已成为制约制浆工业发展的瓶颈。 为解决此问题， 以广泛使用的杨木-桉木混合原料为研究对象， 用傅里叶近红外光谱仪采集了131个不同比例的杨木-桉木混合样品和30个单一杨木、 桉木样品的近红外光谱； 用化学法测定其综纤维素、 聚戊糖及Klason木素含量。 因主要化学成分含量的近红外光谱信息集中于7 600～4 000 cm-1区间， 对该区间的光谱数据进行平滑、 标准正态变换和一阶导数的预处理， 运用LASSO算法建立了杨木含量与聚戊糖含量模型； 对该区间数据进行平滑、 标准正态变换和二阶导数预处理后结合LASSO算法建立了综纤维素含量模型； 对该区间数据进行平滑、 多元信号校正和二阶导数预处理后结合LASSO算法建立了Klason木素含量模型。 杨木含量、 综纤维素、 聚戊糖、 Klason 木素含量模型的预测均方根误差分别为1.82%， 0.52%， 0.67%和0.59%； 绝对偏差范围分别为-3.01%～2.94%， -0.91%～0.83%， -0.91%～1.07%， -0.79%～0.92%。 4种模型的性能总体上略优于传统偏最小二乘法所建的模型且满足实际需求， 可以用于工业生产。