表面增强拉曼散射（SERS）是一种非接触式、无损伤、高灵敏的光谱分析技术，具备分子指纹识别能力，在材料学、化学、物理学、地质学和生命科学等学科有着广泛的应用。相较于传统的刚性基底，柔性SERS基底能够对非平面表面的分析物进行原位检测和现场实时检测。然而，设计和制备高灵敏、高重现性的柔性SERS基底仍存在一些挑战。因此，综述了柔性SERS基底的最新研究进展，探讨了5种不同类型柔性SERS基底的制备、性能和应用以及未来发展趋势，对SERS基底的研究具有一定指导意义。

检测生物质原料的灰分含量是高效转化能源的基础, 但传统高温灼烧法测试耗时长、 成本高, 而近红外光谱分析技术能够实现无损、 快速及低成本对未知样本定性或定量的分析。 以5个地点、 10种类型的1 465份生物质原料样品为研究对象, 应用“筛选分类集合法”将样品划分9个集合, 构建近红外光谱生物质样品灰分含量模型。 主要结果为: 玉米秸秆（M）、 小麦秸秆+玉米秸秆+棉花秸秆（WCM）和小麦秸秆+杂草+园林叶（WWL）主因子数分别为5、 6和6； M集合的交叉验证决定系数（R2cv）为0.975, WCM集合的预测决定系数（R2p）为0.983, 模型拟合度最高； 长白皮+棉花秸秆集合（WC）的均方根标准误差（RMSE）最小分别为0.588 7和0.486 4, M集合的交叉验证相对分析误差（RPDcv）最高为6.3, WCM集合的预测相对分析误差（RPDp）最高为7.8, 模型预测精度最高； M集合的交叉验证平均相对偏差ARDcv最小为6%, WCM集合预测平均相对偏差ARDp最小为8%, 木质（W）集合RMSECV/RMSEP为1.01, 模型稳健性最高； 9个生物质样品灰分含量集合模型的R2范围为0.753 8~0.979 4, 建模集与预测集偏差较小均具有较好的线性关系, 其中, H集合（R2=0.942 5）、 M集合（R2=0.979 4）和WCM集合（R2=0.978 7）其拟合度与线性关系最优； L集合（木材边角料）的R2最低, 其值为0.753 8, 判断影响的主要因素是样品中含有泥沙、 粘合剂和油漆等杂质。 为解决常见生物质发电厂原料检测评估问题, 利用9个生物质灰分集合模型对11种生物质样品计算平均相对偏差（ARD）进行预测评估, 草质样品模型预测效果好（ARD范围为3.7%~16.5%）。 应用“筛选分类集合法”划分样品集合来建立近红外光谱生物质灰分含量模型, 其拟合度、 稳健性和精确度都较全样品集合模型性能更高。

外泌体（Exosome）是直径大小为30～150 nm的膜性囊泡, 包裹DNA/RNA, miRNA, 蛋白质和脂质等多种物质并参与微环境中的生物信息传递, 是理想的癌症生物标志物, 在液体活检领域具有重要的应用潜力, 有望成为癌症快速检测的手段之一。 表面增强拉曼光谱（SERS）是分子振动光谱, 可从分子水平上探测物质的精细结构和信息变化, 具有“指纹图谱”的特征。 采用差速离心结合超速离心的方法获得乳腺癌细胞来源的外泌体, 以金溶胶为增强基底, 收集外泌体及其母细胞的SERS图谱, 结合多元统计分析, 进行乳腺癌细胞的快速鉴别与区分。 研究结果表明, 乳腺癌细胞及其外泌体在500～1 600 cm-1波段范围内有特征拉曼信号, 采用非标记检测所获得的图谱信息是样品“whole-organism fingerprint”整体信号的呈现。 根据外泌体的拉曼表型并结合OPLS-DA分析, 能够100%分辨3种不同类型的乳腺癌细胞。 单细胞SERS检测联合PCA-LDA分析, 区分乳腺癌细胞的准确率为83.7%。 通过比较乳腺癌细胞及其外泌体的拉曼特征图谱发现, 二者在拉曼谱图的波数高度表现一致, 但是外泌体在特征波数上显著增强。 具体体现为在506～569、 1 010～1 070 cm-1等波段二者存在相似性, 但外泌体在735、 963和1 318 cm-1等处的特征信号显著高于细胞。 分析认为外泌体结构比细胞更为简单, 核酸、 蛋白质等生物大分子信息更容易被表征。 同时也提示了通过SERS检测外泌体实现快速鉴定乳腺癌的可行性。 采用非标记、 直接检测, 建立了快速检测单细胞及外泌体的SERS分析技术, 结合多元统计分析能够快速鉴别不同类型的乳腺癌细胞, 并从拉曼组学角度探究了外泌体与母源细胞的关系。 该方法具有非标记、 快速、 灵敏、 准确、 简便的优势, 为乳腺癌的体外快速诊断与筛查提供有效的技术手段, 为临床应用奠定基础。

水体重金属铅（Pb）污染对人类健康及水生态环境具有重要影响。 为实现水体重金属Pb的现场快速检测, 以蛋白核小球藻为吸附剂, 开展了基于蛋白核小球藻富集-X射线荧光（XRF）光谱的水体重金属Pb快速检测研究。 结果表明: 蛋白核小球藻与重金属Pb反应液的pH值为7且反应温度为25 ℃时, 蛋白核小球藻对重金属Pb具有快速高效吸附特性, 在反应时间为5 min时对0.012 8～0.353 5 mg·L-1这一较宽浓度范围内重金属Pb的吸附效率高达92%以上, 但对类金属As的吸附效率却低于5%, 因此基于蛋白核小球藻的富集作用可以有效避免重金属Pb与类金属As共存时As的Kα最优特征谱峰对XRF光谱测量过程中Pb的Lα最优特征谱峰的干扰与影响; 在蛋白核小球藻对重金属Pb的最佳吸附反应条件下, 当反应液样品富集量为10 mL时, 建立了基于蛋白核小球藻富集-XRF光谱的水体重金属Pb定量检测方法, 水体重金属Pb浓度与XRF光谱中Pb的Lα特征谱峰净积分荧光强度间具有良好的线性关系, 相关系数r为0.990, 检测限为7.2 μg·L-1, 低于我国《地表水环境质量标准（GB 3838—2002）》中Ⅰ类水质标准中重金属Pb的标准限值; 采用该方法对合肥市市内派河、 匡河、 南淝河、 四里河及十五里河实际水体水样中重金属Pb进行检测, 回收率均在87.84%～115.66%范围内, 表明所建立的藻富集与XRF光谱法相结合的水体重金属Pb快速检测方法能够很好地应用于实际水体中重金属Pb的快速分析与检测。 该研究为发展水体重金属现场快速监测技术与仪器奠定了方法基础。

稻米霉变会引起营养物质流失, 同时产生有毒物质, 不仅降低其自身品质, 还会感染其他正常稻米。 为减少霉变引起的稻米损耗, 需及时分离霉变稻米。 高光谱技术具有快速、 无损的特点, 因此, 尝试利用高光谱技术对稻米霉变情况进行检测。 发芽稻米与发霉稻米具有相似的光谱特征, 易被误判为发霉稻米, 影响后续稻米霉变程度的检测, 因此, 提出利用高光谱技术结合多种预处理及判别模型区分发芽稻米与发霉稻米, 并对不同霉变程度的稻米进行判别。 将正常、 发芽、 发霉和发芽发霉的稻米样本建立模型进行区分检测, 并对轻度、 中度、 重度和完全发霉的稻米样本进行判别。 利用高光谱采集仪器对正常、 发芽、 发霉和发霉发芽的稻米样本进行光谱图像采集, 提取采集图像感兴趣区域（ROI）的光谱, 以ROI内光谱的平均反射率作为稻米样本的光谱特征。 对提取的光谱数据进行SNV、 Normalize和MSC等预处理; 利用KS算法将样本以1∶3的比例均匀地划分为用于验证模型效果的预测集和建立光谱与样本关系的建模集; 分别建立PLSR、 SVM和RF模型, 以3种模型的预测集正确率评价各模型预测效果, 挑选出效果最优的判别模型。 在正常、 发芽、 发霉和发芽发霉稻米的检测中, 得到最优的判别模型为基线校正法预处理后的随机森林（Baseline-RF）模型, Baseline-RF模型的预测集判别准确率为100%; 在稻米霉变程度的检测中, 通过对不同模型的预测结果进行比较得出, SNV-RF模型的预测集中未出现误判样本, 表现出最优的判别效果。 为简化模型, 在冗长的原始光谱中提取特征波长, 以特征波长光谱建立SNV-RF模型, 结果显示利用CARS算法挑选后的特征波长具有较好的判别能力, 整体的判别准确率为97.5%。 实验结果显示高光谱技术结合CARS-SNV-RF模型能够快速准确地判别稻米的霉变程度, 为霉变稻米的快速判别提供一定的理论基础和实验参考, 对提高稻米品质、 减少稻米浪费具有重要意义。

使用便携式近红外（901～1 650 nm）和可见光（400～900 nm）光谱仪结合多变量分析方法无损检测水稻水分含量, 选用100种不同品种的水稻并采集其光谱信息, 其中粳稻52种, 籼稻34种, 糯稻14种。 采用GB 5009.3—2016中的直接干燥法测定每种水稻样本的水分含量。 利用蒙特卡洛偏最小二乘法（MCPLS）剔除水稻样本中的异常值, 基于近红外和可见光光谱的数据集分别剔除8个和4个异常值。 采用基于联合X-Y距离的样本划分法（SPXY）按照3: 1的比例划分样品, 近红外和可见光数据集分别得到69、 72个校正集和23、 24个预测集。 采用正交信号校正（OSC）、 多元散射校正法（MSC）、 去趋势变换（De-trend）、 标准正态变换（SNV）、 基线校正（Baseline）、 Savitzky-Golay 卷积导数（S-G导数）、 标准化（Normalize）、 移动平均平滑(moving average)、 Savitzky-Golay卷积平滑处理法（S-G平滑）共9种算法对原始光谱数据进行预处理, 基于近红外和可见光光谱的OSC、 SNV和OSC、 Moving average预处理效果较好, 进行后续模型的处理。 选择特征波长以减小光谱信息冗余并提高模型检测效果, 基于近红外和可见光光谱的最佳波长选择方法分别为连续投影算法（SPA）和竞争性自适应重加权算法（CARS）, 分别保留15, 39个特征波长。 之后, 建立偏最小二乘回归（PLSR）、 主成分回归（PCR）模型。 结果表明, 基于近红外和可见光光谱的最优模型分别为SPA-PLSR和OSC-CARS-PCR, 其预测集相关系数（R2P）, 预测集均方根误差（root mean square error forprediction, RMSEP）和预测集归一化均方根误差（normalized root mean square error, NRMSEP）分别为0.810 3、 0.802 1, 0.412、 0.388和3.62%、 3.34%。 基于近红外光谱的SPA-PLSR模型预测效果更好, 鲁棒性更高, 预测效果好于可见光光谱。 本研究验证了便携式近红外和可见光光谱仪快速、 无损检测水稻中水分含量的可行性, 为水稻收获、 贮藏等过程水分含量的测定提供技术支持, 为后续便携式光谱仪的开发提供参考。

婴幼儿非母乳喂养时奶粉是摄取营养的主要制品， “三聚氰胺”、 “香兰素”等添加剂安全事件的频频发生， 引起全社会的高度关注。 如何快速检测并高效识别奶粉中的不良物质， 是国内外乳制品安全领域的研究热点， 对保障婴幼儿成长健康具有十分重要的现实意义。 由于淀粉和香兰素的红外和拉曼光谱均存在大量的吸收峰， 基质与添加物的光谱信号重合区域广信噪比低， 谱峰重叠干扰严重， 仪器越灵敏检测筛选的难度越大。 研究基于X射线衍射（XRD）建立了适用于食品添加剂香兰素的无损快速、 高灵敏度检测方法， 食品乳制品中的淀粉、 蛋白质等基质材料在XRD下均不具有复杂的衍射花样， 基于XRD的香兰素快速检测方法消除了食品乳制品中各类基质的背景干扰， 结合XRD图谱的指纹特性对香兰素的掺杂进行快速鉴别和定性识别检测。 结果表明， 掺杂香兰素后衍射图谱13.03°出现明显尖锐的衍射峰， 峰形好， 响应值高， 该衍射峰是快速检测香兰素是否存在的特征指纹峰。 XRD法快速检测香兰素采用直接进样、 精细扫描， 在去除基质影响的同时， 相对于气相色谱法、 电泳法， 该方法更加方便、 快速， 定性确认更准确， 结果可靠， 适用性强。 香兰素晶体衍射峰明显， 结构稳定， 同时制样简单， 极大地缩短了检测时间。 本研究中香兰素最低掺杂量为202 μg·g-1， 可用于市售加香食品中香兰素的含量的快速检测， 灵敏度可满足建议限量和超量掺加的检测需求。

多菌灵（Carbendazim， 甲基-1H-2-苯并咪唑氨基甲酸酯）是一种内吸性广谱杀菌剂， 广泛应用于苹果种植过程中的轮纹病和褐斑防治， 若不合理使用会在苹果中残留危害消费者身体健康。 采用表面增强拉曼光谱免疫分析技术（surface-enhance Raman spectroscopy combined immunoassay, SERSIA）， 以SERS高灵敏度和分子“指纹”图谱特性为基础， 结合免疫特异选择性， 实现苹果中多菌灵的微/痕量检测。 制备核-分子-壳“三明治式”结构的Au@M@Ag 纳米SERS材料和结合抗原的SERS免疫探针， 在包被抗体的Fe3O4磁性纳米材料可分离功能下， 实现多菌灵的特异性检测。 采用透射电镜（transmission electron microscope， TEM）、 紫外-可见光谱和拉曼光谱等方法对制备的材料进行表征并优化了实验参数。 研究表明多菌灵浓度与标记分子4-巯基苯甲腈的2 227 cm-1处特征峰强度值在0.5～300 nmol·L-1范围内具有良好的线性关系， 同时该免疫探针信号具有良好的稳定性和重现性。 对不同加标浓度的苹果实际样本进行检测， 得到的平均回收率为95.6%～98.3%， 相对标准偏差（relative standard deviation， RSD）为0.15%～0.99%。 该方法操作简单， 检测灵敏度高、 选择性强、 稳定性好， 为苹果中痕量多菌灵的检测提供了新的方法。