我国每年种植产出大量的农作物秸秆,然而其利用率很低[1],这也造成了极大的资源浪费以及垃圾环境的产生[2]。因此,将采撷后剩余秸秆残渣高效利用起来将具有深远的意义。实现作物秸秆成分含量的准确检测是提高秸秆利用率的重要前提。目前,在秸秆木质素与纤维素检测中,仍以传统化学分析方法为主,该法检测速度较缓,人力成本高且对样本有不可逆转性的损坏[3]。相比之下,近红外光谱法具有检测速度快,保证原样品的无损性等优点。由于近红外光谱分析受多种因素的影响,因此在不同领域、不同品种进行分析和应用时,应选择不同的预处理方法,从光谱图中提取与化学组成相关的信息,消除背景噪音及特定物理因素的干扰以建立稳定、可靠的模型并提高模型精度。因此,本文以大豆秸秆为研究对象,开展了近红外光谱技术定量分析的研究,在实现大豆秸秆主要成分纤维素和木质素含量的快速检测的同时,对光谱数据不同的预处理方法进行建模和分析,并进行了充分论证。首先,对大豆秸秆木质素和纤维素进行样品正态分析和多重相关性分析。以此来选取合理且具有代表性的样本,用来进行后续建模和分析。其次,对大豆秸秆木质素和纤维素的样本进行不同的预处理,包括剔除异常样本,划分样品集以及原始光谱的去噪处理。两种成分均采用K-S算法对样品集进行划分为两部分。在剔除异常样本过程中,使用马氏距离、3D视图分析法和霍特林T2对大豆秸秆纤维素和木质素进行异常样本的判定和剔除。剔除后的模型精度较原始模型有了一定提升。再次,重点对大豆秸秆木质素和纤维素的样本进行了不同去噪处理的研究,采用常规的导数、矢量归一化、平滑去噪的同时,对位移校正、多元散射校正MSC和标准正太变换SNV以及正交信号校正算法进行研究。单一去噪方法以及多种方式结合使用后,对结果进行充分分析。提出了使用位移校正结合多元散射校正共同作用的方法后,大豆秸秆木质素模型的去噪效果最佳,此时验证集决定系数达到0.7620502;当使用二阶导数结合平滑处理后的大豆秸秆纤维素去噪效果达到最佳,此时验证集决定系数达到0.7703286。探明了不同去噪方法对模型精度的影响,为后续加强模型的稳健性以及精准度提供了重要支撑,同时也为扩展模型的传递性奠定了基础。最后,建立了大豆秸秆木质素和纤维素含量的偏最小二乘PLS检测模型和支持向量机SVR检测模型,并对实验结果进行充分的对比分析与论证后,表明使用PLS和SVR对待测样本木质素和纤维素含量进行检测是可行的。建立木质素的检测模型时,PLS和SVR两种方法的检测精度相近,但PLS检测模型预测精度更高。建立纤维素检测模型时,结合PLS建立的检测模型精度高于SVR检测模型。综上所述,本研究探明了大豆秸秆木质素和纤维素含量与近红外光谱的相关性,并建立了相应的检测模型,为豆类秸秆其他成分检测模型的构建提供了理论依据。同时也为生物质秸秆成分检测模型精准度的提高提供了参考方法。