近红外光谱分析技术作为一种过程分析技术,在药品、食品和农产品的质量控制等领域广泛应用。其分析过程为:使用近红外光谱仪器采集样品光谱;采用标准参考方法测定样品中特定成分的浓度或性质参数;然后将测定的光谱数据和浓度或性质参数进行预处理,选择合适的化学计量学方法,建立校正模型。随后利用校正模型对未知含量或性质参数的样品进行近红外光谱模型预测,得到未知待测样品特定成分浓度或性质参数,进而评价近红外光谱模型的预测能力和有效性。从上述过程可发现,近红外建模所需的原始光谱和参比数据的稳定性,数据处理中的波段选择方法,都会影响最终的近红外光谱模型预测能力。血浆蛋白含量检测是日常血浆采集和生产的重要检测项目,先前的研究已将近红外光谱分析技术应用于血浆蛋白含量的检测中,但只是运用常规的近红外建模方法进行预测,无方法上的创新,本研究旨在创新近红外光谱法测定血浆蛋白含量,提出建模策略,该策略包括“数据均值化”和“吸光度-浓度变化率”两种方法,对影响近红外光谱建模的是三方面因素进行讨论,具体研究内容如下:(1)基于“数据均值化”方法提高近红外光谱建模参比数据稳定性“数据均值化”方法的提出基于“统计学”中在实际测量没有系统误差的情况下,足够多次的测量值之平均值接近于真值。本研究改变常规血浆蛋白检测的平行检测次数,采用多次平行采样取稳定平均值的方法。最小平行采集的次数通过累积平均数分析获得,即分析Matlab模拟数据和实际血浆蛋白含量平均值变化规律,得到参比数据的最小平行测量次数为39次。利用“数据均值化”建立的近红外光谱分析模型相比常规参比数据建立的近红外模型,其预测均方根误差值提高了23.28%。(2)基于“数据均值化”方法提高近红外建模光谱质量利用“数据均值化”方法处理建模光谱类似于参比数据的处理,即改变常规平均三张近红外平行光谱的方法,通过对不同波数下吸光度的累积平均值分析,确定近红外平行光谱的最小张数,研究得取1 1张光谱平均可获得相对稳定的近红外光谱,通过不同波段选择方法建立近红外预测模型,其建模预测能力优于常规平均三张平行光谱的建模结果。(3)基于“吸光度-浓度变化率”波段选择方法提高近红外建模能力“吸光度-浓度变化率”波段选择方法是通过分析样品光谱不同波数下其吸光度随浓度的变化规律,选择变化率值(Vmean值)较大的波数点,参与近红外光谱建模。除了对血浆蛋白进行近红外定量分析外,为验证该方法的通用性,还对网络公共数据(玉米、汽油的近红外光谱数据)进行定量建模分析,与常规波段选择方法对比,所提“吸光度-浓度变化率”波段选择方法能提高近红外光谱建模预测能力。本论文的创新点包括:(1)提出的“数据均值化”方法,提高了近红外光谱分析技术中参比数据的稳定性和建模光谱的稳定性,并提高了近红外光谱建模预测能力。(2)提出的“吸光度-浓度变化率”波段选择方法,同常规波段选择方法相比,不仅能提高近红外光谱建模预测能力,还具有广泛的通用性。