近红外光谱分析技术具有分析速度快、无损、可在线检测、多组分同时分析等优点,有效解决了传统原油分析方法耗时长、样品消耗量大的问题,在石化行业发挥着重要作用。然而传统的光谱分析方法容易受到光谱中噪声的影响,导致预测性能不佳。基于深度学习的光谱分析模型对带有噪声的光谱数据具有较好的预测稳定性,但存在冗余参数多、训练需要的样本量大、可解释性差等缺点。因此,本文研究基于深度学习的原油近红外光谱分析新方法,目的是在利用深度学习强大的非线性表达能力的同时,解决现有分析方法存在的问题。主要的研究内容有:（1）为解决现有的基于神经网络的光谱分析模型中冗余参数过多的问题,提出一种基于分段全连接网络的近红外光谱校正模型建立方法（Piecewise Fully Connected Network,PFCN）。PFCN模型首先将光谱分成若干个段,每一段光谱通过一个小的全连接层进行预测,然后将每一段的结果加权求和得到模型的输出。在两个典型数据集进行了对比实验,实验结果表明,该方法有效减少了模型的冗余参数,并且预测性能优于传统方法,同时需要的训练样本数量减少。（2）为解决现有的模型传递算法对光谱中非线性因素干扰的稳定性差的问题,提出一种基于分段自编码网络的模型传递方法（Piecewise Autoencoder,PAE）。PAE同样基于分段的思想,将光谱分成若干个段以后,通过若干个较小的自编码器进行光谱转换,然后把转换结果拼接成完整的光谱。在两个基准数据集上进行了对比实验,实验结果表明,该模型传递方法能够克服非线性因素的干扰,有效减少仪器之间的光谱差异,在少量样本的情况下就能取得较高的传递效果。（3）针对石油企业对原油成分快速分析的需求,设计并开发了一套原油近红外光谱分析软件,功能覆盖了光谱分析的各个环节。在常用的基准数据集上进行了测试,测试结果可靠,基本满足了石油企业对原油成分快速分析的需求。