随着光学、电子学和计算机技术的发展，三维荧光光谱检测技术逐渐遍及工业、农业、医疗卫生等领域，三维荧光光谱检测技术具有检测方法简洁、所需样品少、选择性强等优势，受到研究者的广泛关注。样品的三维荧光光谱包含了样品的丰富信息，高效的分类识别算法在三维荧光光谱的检测技术中占有十分重要的地位。本文针对混合物中各纯组分物质分类识别的情况，提出了通过对由混合物样品的三维荧光光谱组成的三维数据矩阵进行二阶校正的方法对混合物中的荧光纯组分物质进行分类识别研究。其中，针对平行因子分析算法这种经典的二阶校正算法对样品荧光因子数敏感的情况，本文提出通过交替三线性分解算法对其进行改进。在方法研究的基础上，本文通过对萘、1-萘酚和2-萘酚的混合物的分类识别实验，验证了二阶校正方法的可行性和科学性。本文针对混合组分物质之间的分类识别的情况，提出采取结合主成分分析法的可拓神经网络（PCA-ENN）算法对实验样品的三维荧光光谱进行分类识别研究。主成分分析法将三维荧光光谱特征参数维数降低，提高了神经网络分类识别的高效性。可拓神经网络将可拓学与神经网络相结合，使其在分类识别的时候相比传统神经网络更具有优越性。本文通过矿物油和食用油的三维荧光光谱分类识别实验来验证PCA-ENN算法的优势。实验结果表明，该算法具有较高的识别精度和识别效率，相比传统的BP神经网络算法，具有更好的识别效果。