烟叶的含水率对其存放有着非常重要的影响,如果含水率过高,容易引起霉变,同样的,水分含量过低会使其燃烧性增强,影响其抽吸质量,在卷烟制造的过程中,烟丝的水分含量也会对烟支的空头率造成一定程度的影响。制丝工艺环节是卷烟制品加工中的关键环节,烟丝的含水率直接影响其加工性能,并且对其最终产品质量有着重大影响。为了使卷烟制品在各个工序环节的含水率达到工艺要求,保证最终产品的含水率稳定,达到稳定卷烟成品质量的目的,本文对片烟含水率进行了在线监测研究,利用近红外光谱分析技术建立了烟叶中水分含量的检测模型,使烟草加工企业能够更加快速,更加安全地得到在制品的含水率,并结合四川中烟现有制丝线的实际工艺,进行了在线光谱仪的应用试验。滚筒烘丝机是四川中烟什邡卷烟厂干燥线的主要设备,由于PID控制算法简单且可靠性高,被广泛应用于卷烟加工企业,四川中烟什邡卷烟厂也采用这一策略进行过程控制,但这种控制方式存在一定的滞后性,致使烘丝机出口烟丝含水率波动较大,控制效果不佳,因此,为了提高其出口烟丝含水率的稳定性,本文采用基于BP人工神经网络的控制方法,进行烘丝机的参数预测。主要研究结果如下：近红外光谱中除样品信息外,还包含其他无关干扰和噪声,使用CARS变量选择算法筛选出最优波长,最终选择2个波长点,分别为1908nm和2108nm,两波长点均与O-H键吸收有关。本文利用这两个波长建立了PLS预测模型,并与未选择波长之前建立的PLS模型进行了比较,PLS模型的训练误差为0.09558,预测误差为0.14449,而CARS-PLS的训练误差为0.03047,预测误差为0.04522,预测误差降低,并且减少了数据处理的工作量,有效地简化了模型并提高了校正模型的预测能力。在制丝加工过程中,只有对各个工艺环节进行连续、快速、实时、准确的质量监控和反馈才能更加有效地控制加工过程,提高产品质量,因此,本文建立了烟丝含水率的近红外快速检测方法,通过建立PLS模型和LS-SVM模型并比较分析,PLS模型的训练误差为0.21118,预测误差为0.30865,而LS-SVM模型的训练误差为0.05054,预测误差为0.06342,模型的预测性能较PLS有较大提高,结果表明：NIRS分析技术结合LS-SVM建模方法进行烟丝含水率的检测是可行的。在卷烟加工生产线上,含水率是每个工序的重点考核指标,含水合格率对产品的加工性能以及产品的内在质量都有着极其重要的影响。要想较好的保证在制品含水率的稳定性,必须保证近红外水分仪的稳定运行,提高其探测精度是保证其数据准确可靠的重要途径。本文通过研究分析,校准在线近红外水分仪采样数量不应小于5个,应使用动态采样,含水率测量应采用平行测量。该方法能更加精准的对近红外水分仪进行校正,提高其探测精度。本文采用基于BP算法的人工神经网络建模方法,将原料参数设为模型的输入,工艺指标设为模型的输出,进行烘丝机参数的预测,使烘丝机筒壁温度的预测相关系数达到0.9672,热风温度的预测相关系数达到0.9703,满足烘丝机出口烟丝含水率的应用需求,更好的保证了烘丝机出口烟丝水分含量的稳定性。本文的研究对卷烟加工企业更好地指导生产,提高其烟草制品的品质有着深远的意义。