温度校正一直是光谱定量分析中的一个基础问题。红外光谱的温度校正预处理，目的是去除光谱数据中由于温度波动所带来的非线性效应，从而提高光谱数据对于浓度的线性度。光谱定量模型的线性度得到改善后，模型的预测精度也会得到相应的提升。通常的温度校正方法不仅需要记录训练集光谱的采集温度，而且需要记录测试集光谱的采集温度，这对很多实际应用中的光谱温度校正造成了困难。本文提出了一种基于模型的光谱温度预测及校正方法，通过训练集数据对光谱中的温度信息进行建模，利用模型的信息，从而能从测试集光谱数据中估计出采集温度，并进行光谱数据的温度校正，降低了温度校正方法对测试集光谱数据采集温度的依赖性，从而大大提升了温度校正在红外光谱定量分析中的适用性。　　作为方法的验证，本文进行了三部分的实验:在第一部分的实验中，我们通过对十个浓度的水-乙醇二元混合物光谱数据的温度预测以及温度校正的实验，证明了本文方法的有效性;在第二部分的实验中，我们采用了Wulfert的经典温度校正方法CPDS的实验数据和实验方案，对三元混合物的光谱数据进行温度预测以及温度校正，得到了不亚于CPDS方法的温度校正效果，同时也证明了本文方法对三元混合物光谱数据的适用性;在第三部分的实验中，我们结合本文模型和经典的PLS模型的浓度预测结果，提出了一系列迭代温度校正算法，说明了本文提出的温度模型和温度校正方法具有很强的可扩展性。三部分的实验结果表明，在缺少测试集测量温度的情况下，本文提出的温度校正方法仍可对光谱数据进行有效的预测和校正，降低了温度校正方法对测试集数据的依赖性，从而提高了温度校正方法的适用性。