针对石油化工、煤矿安全等领域对气体浓度宽量程检测的需求，对波长调制光谱检测气体浓度时的非线性特征进行了研究，提出仅用波长调制方法实现气体浓度的宽动态范围测量。该方法根据激光吸收光谱技术原理，对吸收项及其泰勒展开式进行分析，在小吸收度时采用线性近似，在大吸收度时采用三次多项式近似。并且使用甲烷气体（CH₄）作为实验对象，搭建了CH₄检测系统，验证了该方法在气体浓度宽量程检测方面的可行性。经过实验验证，该方法能够实现4个数量级大跨度范围（1.5×10^-6~10000×10^-6）的CH₄检测。对阈值为1000×10^-6（在3 m有效光程下吸收度为0.0236）以下和以上的气体体积分数分别进行检测，反演浓度和标准浓度之间均表现出良好的相关性，拟合优度均大于0.999。另外，在吸收度大于0.0236的范围内，该方法的最大测量相对误差为0.93%，绝对误差为-92.1×10^-6。为了验证其稳定性，对体积分数为5000×10^-6（吸收度为0.118）的CH₄进行长时间测量，并统计其反演浓度的高斯分布，经过计算得到其半峰半宽为15.9×10^-6。实验证明该方法突破了传统波长调制光谱只能测量低浓度的局限，在宽量程检测中获得了良好的检测结果，为气体浓度宽量程检测提供了一种新思路，同时也大大拓宽了波长调制光谱的应用范围。

为了快速而准确地判别煤矿突水水源类型，提出了一种构建多层正则极限学习机(M-RELM)模型的方法，该模型融合了非线性特征提取和分类学习。以激光诱导荧光(LIF)技术获取水样荧光光谱，作为模型的输入；以改进的自动编码器(AE)提取荧光光谱特征，形成模型隐含层的特征空间。为了减少光谱中噪声和异常对分类结果的影响，对极限学习机(ELM)算法进行了正则化优化，根据是否利用未知样本构造训练集，进行L2范数正则极限学习机(L2-RELM)或基于图的流形正则极限学习机(GM-RELM)优化，实现监督或半监督的分类学习。通过不同功能的隐含层之间进行传播，构建了多层正则化模型，完成了预训练和训练两个过程的融合。以淮南区域煤矿突水水样为实验对象，与支持向量机(SVM)和单隐含层极限学习机进行性能比较。在含有混合水的样集上，该模型的平均测试准确率可达到94%以上，训练时间为0.2 s左右。在含有未知样本的所有水样集上，相比于L2-RELM模型，采用基于图的流形正则优化的GM-RELM模型的测试准确率可提升2%左右。实验结果表明，M-RELM模型更能适应煤矿突水水源的判别要求。

利用激光诱导荧光(LIF)技术,从荧光强度和光谱偏移两个角度研究饱和激发状态下 油荧光的非线性变化特征。 利用能量变化的激光束诱导油样本荧光,获得荧光强度变化数据,通过非线性曲线拟合来标定 荧光特征峰位430 nm处的强度变化参数,获得该波长荧光强度的线性变化范围和非线性趋势, 并利用探测波长处荧光强度构造出随诱导光强变化的三维油荧光光谱,实现基于激发光能量参 量的油样本光谱区分。实验中,针对普通荧光光谱法无法区分的油样本,结合饱和激发状态下 油荧光非线性变化和基于激发光能量参量的油样本光谱特征,实现了样本的有效区分。