由于计算机的发展和化学计量学的深入研究,以及光谱仪器制造技术的不断快速发展,近红外光谱技术（Near infrared reflectance spectroscopy,NIRS）也得到不断完善。NIRS作为一种新兴的成分分析技术,具备低成本,几乎无污染,高效等特点,在各个研究领域被广泛运用,但其吸收强度偏弱、谱峰重叠、存在干扰信息等,使得近红外光谱模型建立前通常需要进行光谱预处理（去噪、求导、基线校正等）和特征波长筛选等操作,对建模分析人员的要求非常高。因此,研究一种简单便捷的近红外光谱建模方法,对于降低建模分析人员的门槛具有重要的研究意义。此外,在光谱采集过程中,经常会出现“同一物质在不同光谱仪器下采集的光谱不同,不同物质在相同光谱仪器下采集的光谱却一样”的现象,这导致不同光谱仪器下建立的模型无法共享,若每台光谱仪单独进行建模操作既费时又费力。因此,研究一种具有普适性的近红外光谱定量分析模型转移方法,亦具有重要的应用价值。针对上述问题,本文提出基于卷积神经网络的近红外光谱定量分析模型建立与转移新思路和新方法,主要的研究工作如下:（1）本文提出一种“端到端”（End-to-End）的近红外光谱建模方法,即采用卷积神经网络（Convolutional Neural Networks,CNN）方法建立近红外光谱定量分析模型。首先,根据数据集的分布规律,将数据集按比例分别拆分为训练集和测试集合,并对卷积神经网络模型的拓扑结构和超参数进行设计;接着,利用设定的训练算法对训练集数据进行学习,当训练过程收敛后即可得到近红外光谱定量分析模型;最后,将其与传统的偏最小二乘法（Partial Least Squares,PLS）和支持向量机回归（Support Vector Regression,SVR）算法所构建的模型进行对比。玉米数据集上的实验结果表明,使用卷积神经网络建立的定量分析模型性能最优,决定系数R~2可达0.97844。且若再增加数据增强,采用CNN+数据增强的方式可以使其模型效果更佳。（2）本文提出一种基于迁移学习算法的近红外光谱定量分析模型转移方法,即将上述已建立的卷积神经网络定量分析模型作为源域预训练模型,利用目标域上的少量样本,通过微调迁移训练的方法,完成近红外光谱定量分析模型从源域到目标域的转移。进一步地,本文对比分析了三种不同的迁移方案（仅训练全连接层、训练全连接层及最后一个卷积块、训练网络结构所有层）对目标域模型性能的影响。玉米数据集上的实验结果表明,利用迁移学习算法训练得到的目标域近红外光谱定量分析模型泛化性能显著优于未迁移模型（直接将源域模型应用于目标域进行预测）以及传统的Tr Ada Boost模型转移方法,决定系数R~2可达约0.93。本文基于卷积神经网络实现了“端到端”（End-to-End）的近红外光谱定量分析模型的构建。同时,基于迁移学习算法实现了不同近红外光谱仪设备之间的模型转移。本文研究结果对于降低近红外光谱建模分析人员的门槛和提高定量分析模型的适用性具有重要的意义和价值。