近红外光谱分析技术可以对样品进行无损、快速实时的检测分析,使得其在石油化工、食品检测、药品监督等领域得到了广泛的应用。然而在实际的生产中,因测量环境、仪器差异而导致的模型通用性较差的问题,严重制约了近红外光谱分析技术的发展。本文针对此问题,分别在光谱预处理、主从仪器光谱波长点的最佳匹配、波长选择以及迁移学习等方面展开了模型传递的研究。(1)为解决因光谱存在噪声、基线漂移等现象而导致模型通用性较差的问题,提出一种基于小波变换动态时间规整的模型传递方法(Wavelet transform combined with Dynamic Time Warping,WDTW),实现不同仪器之间模型的共享。WDTW模型传递方法首先将光谱进行小波变换预处理,然后利用动态时间规整算法(Dynamic time warping,DTW)找到近红外光谱波长点之间最优的对应关系并建立回归方程。实验使用近红外药品光谱数据和汽油数据建立传递模型,验证了基于小波变换动态时间规整模型传递方法的有效性。(2)为解决直接正交信号校正算法(Direct Orthogonal Signal Correction,DOSC)在光谱处理过程中可能出现过拟合、模型不稳定的现象,提出一种将随机森林与直接正交信号校正算法相结合的模型传递方法(Random Forest-Direct Orthogonal Signal Correction,RF-DOSC)。该方法首先利用随机森林算法进行近红外光谱波长点筛选,然后采用直接正交信号校正方法进行光谱处理并建立回归方程,由PLS计算回归系数求得模型传递矩阵。实验使用三台光谱仪(S,S1,S2)测得的玉米近红外光谱建立传递模型,通过与其他算法对比分析,该模型传递方法能有效消除光谱噪声,减小主从仪器光谱之间的差异,提高模型的稳定性。(3)为解决在光谱模型传递过程中,从机样本数目较少,传递效果较差的问题,提出将改进的Tr Adaboost迁移学习算法应用于模型传递的研究。该方法首先使用随机森林进行波长的筛选,降低样本的维度,去除光谱中的噪声,然后根据辅助样本和目标样本的相关性初始化权重,减少算法因初始权重设置不合理导致迭代次数难以确定的问题。实验采用玉米近红外光谱数据建立传递模型,在不同比例的训练集与测试集数据中进行实验,验证了该方法在少量的目标样本数据下同样能取得较高的预测精度,实现模型传递的效果。