在世界范围内,血流感染是一种具有高发病率和死亡率的严重感染性疾病。一旦怀疑患有血流感染,第一时间了解病原菌的种类将有利于临床医师准确合理选择抗菌药物。传统的鉴别血流感染病原菌采用血培养法,由于鉴定周期长,不利于临床早期诊断,所以本文提出一种基于近红外光谱技术结合多分类相关向量机(M-RVM)鉴别血流感染病原菌方法,此外针对于鉴别模型对未知样本出现误判的现象提出自适应聚类算法加以验证,并探究了特征波长优选对于鉴别模型的影响。本文主要完成以下的研究内容:首先,介绍血流感染疾病的特点以及所造成的危害,指出现有鉴别微生物方法的缺陷,提出借助振动光谱检测技术对病原菌进行鉴定,并概述近红外光谱定性分析技术结合模式识别在微生物鉴别研究现状。其次,对多分类相关向量机算法原理以及优点进行阐述,利用近红外光谱仪对大肠杆菌,金黄色葡萄球菌和铜绿假单胞菌三种病原菌进行采集,运用M-RVM构建相应分类器,分析选取不同核函数下M-RVM分类器的精度,同时比较了M-RVM、PLS-DA和SVM三种分类器在不同光谱预处理下鉴别三种病原菌分类精度。为了解决对未知样本的正确判别,采用自适应聚类算法对其判别结果做进一步分析,根据聚类中心数来判别样本与建模样本是否属于同类。文中详细地描述了利用回归分析自动确定聚类中心过程,为了得到最优的聚类效果,利用粒子群优化算法对算法的输入参数截断距离进行优化,并借助了仿真实例进行说明,采用自适应聚类算法对己建立大肠杆菌和金黄色葡萄球菌的两类M-RVM分类器对铜绿假单胞菌的判别结果做进一步验证,结果表明铜绿假单胞菌与两种建模样本存在差异,证明了该算法对未知样本具有定性识别功能,减少了分类器的误判。由于光谱波长信息众多,含有较多无用信息和噪音,提取有效的特征波长变量将能够简化鉴别模型同时提高模型的精度。因此,最后本文采用群体智能优化算法结合偏最小二乘对波长变量进行优选,对优选后的波长构建偏最小二乘与M-RVM鉴别模型,分析比较优选前后模型的精度。