水体中过高浓度的有机物危害巨大,不仅会造成严重的环境污染,而且危害人类身体健康。传统化学法检测水体化学需氧量(Chemical oxygen denmand,简称COD)的步骤繁琐且时效性差,不利于水体中化学需氧量的快速定量检测。光谱法测定COD具有实时、在线、连续监测的优点,能够及时反映水体中有机物含量的动态情况,是一种真正的绿色检测技术。本文以紫外光谱、近红外光谱的微观机制和水质COD光谱检测技术为理论基础,并向其中引入组合权值算法和生成对抗式网络(Generative Adversarial Networks,简称GANs)算法,构建了单一谱源的组合权值COD浓度预测模型和多光谱数据融合GANs算法的COD浓度预测模型,并对比分析了这些模型的预测精度和泛化能力。首先,从研究紫外光谱和近红外光谱产生的微观机理出发,分析了光谱吸光度与COD浓度之间的必然联系;介绍了构建水质COD定量分析模型过程中的光谱预处理算法、特征光谱区间筛选算法、定量建模算法和模型评价参数等,为构建COD定量分析模型提供了理论基础。其次,依托光谱法搭建COD定量分析模型的基本流程,提出了一种将单一谱源的紫外光谱与组合权值算法相结合的快速定量COD检测方法,采用了反向区间偏最小二乘法(Backward interval PLS,简称BiPLS)和组合区间偏最小二乘法(Synergy interval PLS,简称SiPLS)的两级筛选机制来筛选特征区间,并通过权值公式对筛选的特征子区间进行权值计算,建立最终的组合权值COD浓度预测模型,进而分析了组合权值模型的预测精度。最后,提出了一种基于多光谱数据融合的COD浓度预测模型,通过将紫外光谱和近红外光谱数据进行数据级和特征级融合,从而能够涵盖更加广泛的光谱区间范围,从紫外光谱和近红外光谱两个层面反映水体中污染物的差异。并讨论了不同归一化方法对光谱数据融合建模的影响,通过与单一谱源的预测模型进行性能对比,验证了多光谱模型能够全面地揭示水体的污染物程度,提高预测准确率和泛化能力,研究价值也更高。