本论文主要研究了用小波分析、主成分分析、人工神经网络和独立成分分析方法来分析超短脉冲激光与大气的非线性相互作用得到的非线性荧光光谱，从而对大气中的有害杂质成分进行了定性分析、半定量分析和低浓度定量分析。 随着工业的快速发展和交通工具的急剧增加，大气污染成为一个非常严重的问题。为了更好地控制和治理污染，提高大气质量，改善人民的生活环境，需要对大气进行实时的监测，及时了解和掌握大气污染的程度，以便采取必要的治理措施。 本课题研究的重要意义在于，不仅为非线性荧光光谱的定性和定量分析提供有效的方法，而且该方法也能为其它类型复杂光谱的分析提供一种自动识别分类技术。 本文完成的主要工作：1.针对非线性荧光光谱的特点，提出了选择最佳小波函数和分解层数的方法，采用bior3.9小波函数进行了非线性荧光光谱的压缩。 2.采用主成分分析对已经小波压缩的光谱数据进行了进一步第二次压缩。 3.采用级联神经网络、概率神经网络和支持向量机神经网络模型对3种不同浓度的杂质气体进行了识别。为了全面比较推广性能的好坏，建立了一个模拟实际监测数据的模型，并采用这些数据对支持向量机网络与概率神经网络进行了比较测试。 4.采用概率神经网络进行了半定量分析。在其前提下，我们提出了采用独立成分分析方法的低浓度定量分析方法，采用FastICA算法计算了3种杂质气体非线性荧光光谱的独立成分，对每个独立成分和混合矩阵进行了分析。而且通过对混合矩阵的分析，找出了混合矩阵的列向量元素值和浓度关系，利用其关系对3种杂质气体的低浓度进行了定量分析。 本论文中有创新性的成果为：1.提出将恢复根均方差作为标准，选择出bior3.9小波函数为适用于非线性荧光光谱噪声去除和数据压缩的最佳小波函数，同时选出最佳分解层数。 2.在小波压缩的基础上，进一步采用主成分分析对非线性荧光光谱进行了第二次压缩，改善了采用神经网络进行杂质气体定性识别的速度和效率，并针对大气监测的特点，对不同神经网络识别的推广性能进行了比较研究。 3.在对非线性荧光光谱进行独立成分分析的基础上，发现去除光谱中的空气成分后，依据属于杂质气体的光谱成分，找出了在低浓度时浓度和混合矩阵列元素值之间的近线性关系。