面向天然页岩与砂岩矿物元素组分快速定量分析的检测需求，笔者搭建了具有自动化分析功能的显微分析激光诱导击穿光谱系统，并采用该系统对油气页岩与砂岩天然岩石样本进行了快速检测。分析了砂岩与页岩光谱的不确定度差异，形成了流程化的包括光谱数据提取、筛选、校正、归一化的预处理方法，有效降低了单一样本与样本间光谱不确定度。基于偏最小二乘回归，形成了模型输入参数优化流程，避免了模型过拟合与欠拟合，提高了定量预测准确度。对岩石中的Si、Ca、Fe、Al、Mg等元素进行了定量分析，多数样本的平均预测均方根误差小于1%。本研究为天然岩石的矿物组分分析与岩性识别提供了技术支持。

根据外差激光多普勒测振过程的物理原理，分析了其在目标存在低频高速运动情况下测量高频低速振动的过程。在这一过程中，因杂散光而产生的测量噪声表现出啁啾特性，该研究还阐明了这种噪声的影响和表现形式、特点。针对此啁啾噪声，提出了一种微分预处理解调方法，理论分析表明这种解调方法有明显的啁啾噪声抑制效果，并进一步进行了仿真和实验验证。搭建了存在杂散光的外差激光多普勒测振系统，对目标振动进行了测量，分别通过常规解调方法和微分预处理解调方法进行解调，实验结果验证了啁啾噪声的存在和微分预处理解调方法抑制啁啾噪声的有效性，该方法可使啁啾噪声功率下降约81.8%，可有效降低杂散光对测量结果的影响。

以Ti6Al4V沉积层为基体，研究基体表面预处理对超音速激光沉积涂层/基体界面结合的影响。试验前，基体表面经过三种不同方式的预处理，分别为抛光、打磨和喷砂。利用X射线衍射仪和表面轮廓仪对基体表面的物相组成和粗糙度进行了分析，利用光学显微镜对涂层/基体界面结合进行了分析，利用单颗粒撞击有限元模型对颗粒与不同表面粗糙度基体的结合情况进行了分析。研究结果表明，打磨处理的基体由于表面生成氧化钛陶瓷相，涂层发生脱落。抛光处理的基体较喷砂处理的基体有更低的表面粗糙度，其涂层/基体界面结合更紧密。数值模拟表明，基体表面的起伏特征在颗粒/基体界面处促成温度和应变的不均匀分布，阻碍颗粒与基体间的紧密结合。

中频波前均方根(PSD1)是用来评价光学元件中频段波前质量的关键参数, 在对其进行数值计算之前, 需要对波前数据进行频率域滤波。滤波后的数据易导致待测区域内、外的数据截断, 引入较大的边缘高频误差与吉布斯噪声, 从而严重影响了计算准确度。为了减小数据截断带来的影响, 通过对边缘截断的数据做趋优填充, 减少截断区域内外的空间频率突变。通过对现有的空域预处理方法进行对比, 提出了一种四向扩展平均算法。经试验验证, 所提出的方法可以较好地还原光学元件的中频段面形, 显著提高PSD1测量准确度, 试验表明所提出的方法较标准值的误差平均值小于5%。

针对气体泄漏声波信号降噪的问题，提出一种集合小波包分析(WPA)与变分模态分解(VMD)相结合的降噪方法。通过小波包变换对信号的噪声进行预处理；利用 VMD对去除噪声的信号进行分解，得到所有的本征模函数(IMF)分量，并根据相关系数准则判断有效 IMF；最后提取有效成分并进行信号重构。对本文方法进行验证，结果表明，本文方法能够有效剔除气体泄漏信号中包含的各种噪声，降噪后信噪比为 15.485 1，均方根误差为 0.028，为后续信号分析减少了干扰，也为气体泄漏声波信号的特征提取与分析提供了新的思路。

高光谱成像技术源于遥感探测，具有谱图合一的独特优势，在农林、地矿、防伪和环境保护等领域的应用日益广泛。作为高光谱技术最常见和最基本的功能，目标分类在各个高光谱领域的应用均具有至关重要的作用。综述了高光谱目标分类技术的发展现状，分析了高光谱数据的结构特点，归纳了高光谱目标分类的一般流程，并详细阐述了数据读取、图像预处理和目标分类等高光谱目标分类流程的主流方法及其基本原理。结合近年来的典型案例，分析了高光谱目标分类的过程，并对其发展趋势进行了分析和展望。

小麦粉的粉质特性决定了小麦粉的品质以及最终用途, 粉质特性受到小麦的品种, 产地, 以及加工工艺等多个因素的影响, 重要的粉质参数包括4个: 吸水率、 形成时间、 稳定时间、 弱化度。 近红外光谱广泛应用于小麦粉成分参数的检测, 如水分、 蛋白质、 灰分和湿面筋含量, 其中大多直接应用线性回归算法建立模型, 预测的精确度较低, 且检测粉质特性的研究较少, 研究结果也受到样本丰富度不足的影响。 该研究收集了968份来自不同国家和地区的小麦粉粉质特性数据及近红外光谱, 通过分类模型和回归模型的结合来提高粉质特性预测的精确度。 采用包括标准正态变换（SNV）、 线性去趋势（Detrend)、 多元散射矫正（MSC）和Savitzky-Golay一阶求导的方法对光谱数据进行预处理, 并通过交叉验证选择最佳预处理方法。 在建模方法上, 首先尝试了经典的线性回归方法, 即偏最小二乘回归（PLSR) 和主成分回归（PCR)。 发现两种方法的精确度大致相当, PCA模型的校正均方根误差（RMSEC）分别为2.186、 1.838、 4.037、 21.693, PLSR模型为2.039、 1.837、 3.968、 21.252, PLSR模型比PCR所需的因子更少。 其次, 使用该文提出的二阶段回归模型, 即先用高斯过程回归（GPR)的结果作为分类器对样本进行分类, 在不同类别的样本簇中分别建立PLSR模型进行粉质特性的预测, 再使用Sigmoid函数对PLSR模型进行融合。 这种建模方法对粉质特性预测的精确度有较大提高, 在不同粉质特性指标上的RMSEC分别为1.876、 1.160、 2.459、 14.449。

为了实现翡翠产地的快速无损鉴别, 丰富宝玉石产地鉴别方法的多样性, 基于红外光谱分析得到的数据, 建立支持向量机(SVM)识别模型对三个产地的翡翠进行分析。 实验收集了缅甸、 俄罗斯和危地马拉3种翡翠的红外光谱数据共106条, 为了达到更好的模型识别效果, 建模前将原始的红外光谱数据进行反射率到吸光度的转化, 再对光谱进行不同的预处理。 预处理的目的是降低噪声、 基线漂移和散射现象等对模型识别效果的影响。 本次实验预处理使用的方法有SG平滑、 均值中心化、 标准化、 趋势校正、 多元散射校正、 最大最小归一化、 标准正态变换以及标准正态变换后再进行趋势校正。 实验结果表明, 对红外光谱进行预处理后模型得到的识别准确率均高于原始光谱的73%; 三个产地翡翠的红外光谱分开进行多元散射校正和最大最小归一化得到的模型识别准确率高于混合进行预处理得到的结果; 一些预处理方法结合使用也会提高模型的识别准确率, 如标准正态变换和趋势校正。 对三个产地翡翠的红外光谱分开进行最大最小归一化处理后得到的识别准确率达到了最高的95%, 说明这种采用红外光谱技术建立的支持向量机(SVM)识别模型可以实现对翡翠产地的快速识别。