固态发酵是微生物发酵中的一种形式，近些年由于能源危机和环境危机的出现使其再次得到人们的重视。为提高固态发酵产物的产量，实时了解发酵体系中一些重要过程参数的变化信息是非常必要的。然而在实际的生产中，由于固态发酵特点限制以及相关检测设备的缺失，加之传统离线理化检测方法耗时耗力等缺点，使得这些关键的过程参数难于得到实时快速检测。近红外光谱技术由于其在检测含氢有机物上的优势以及快速高效、绿色无污染等优点，正逐步替代复杂的理化测定方法，作为一项重要的过程分析技术而得到广泛的应用，是解决上述问题的有效途径之一。本文以红曲菌的固态发酵为研究对象，主要对水分含量、pH值、甘油以及生物量这几个过程变量的近红外光谱法快速检测可行性进行了研究。本文主要工作为：(1)针对非粘性麸皮基质下的红曲菌固态发酵过程，对水分含量、pH值和生物量的近红外光谱快速检测方法进行了可行性研究。在水分含量和pH值的近红外光谱分析方面，针对传统基于间隔策略波段选择方法忽略非线性因素的缺点，提出了一种基于最小二乘支持向量机(LS-SVM)非线性模型的波段筛选算法—联合区间最小二乘支持向量机(siLS-SVM)，并将新算法与相关系数法、iPLS算法、siPLS算法进行了对比。试验结果显示，联合siLS-SVM算法和LS-SVM模型能取得最好的预测效果，其中水分含量和pH值的预测集相关系数(Rp)分别为0.9621、0.9761，预测集根均方误差(RMSEP)分别为0.0129、0.1452，表明模型拥有较好的预测性能。对siLS-SVM筛选的波段进行了谱带归属解析，结果显示新方法选出的波段与对应组分分子化学键的近红外光谱特征吸收谱带具有较高的一致性。此外采用独立批次样本对模型的预测准确性进行了外部验证也取得了理想的结果。结果表明， siLS-SVM方法能够优选出存在非线性因素的有效特征波段，对于简化模型及提高模型预测精度具有重要的作用；近红外光谱技术应用于麸皮基质下红曲菌固态发酵过程中水分含量和pH值的快速检测是可行的。(2)探讨了近红外光谱法在快速检测与光谱间接关联的生物量的可行性。采用氨基葡萄糖法测定生物量，应用遗传算法(GA)优选光谱波段并建立了预测红曲菌固态发酵生物量的PLS模型。为说明遗传算法优选光谱波段的可行性，与全谱(FS)和相关系数法(CCM)两种波长选择方法进行了对比，结果显示GA方法选出的波段与对应生物量的实测值建立的PLS校正模型的预测性能最佳，其建模结果为Rc=0.9983，RMSECV=3.5802，Rp=0.9931，RMSEP=3.6437，参与建模的数据点由全谱的1457个减少到585个，且模型预测精度相比FS-PLS模型提高了11.55%。接着对GA筛选的波段进行了谱带归属解析，结果显示GA方法选出的波段与菌体分子化学键的近红外光谱特征吸收谱带具有较高的一致性。最后通过实验验证说明了近红外光谱法具有较好的重复性和再现性，并采用独立批次样本对模型的泛化能力进行了验证，也获得了满意结果。结果表明，近红外光谱技术结合遗传算法所建的PLS预测模型能够实现红曲菌固态发酵生物量的快速检测。(3)针对粘性小米9901基质下的红曲菌固态发酵过程，对水分含量、甘油和生物量的近红外光谱快速检测方法进行了可行性研究。剔除大量线性相关样本后，最终使用了121、84、83个样本分别用于水分含量、甘油以及生物量的近红外光谱分析。使用K-S方法选取了具有代表性的校正集样本，应用GA方法选择光谱波段，建立了各自的PLS校正模型。通过研究发现，GA方法依然适用于此项研究中特征波段的选择，所选出的波段与对应组分分子化学键的特征吸收谱带具有较好的对应性，其中水分含量模型的预测精度较为理想，Rc=0.9894，RMSECV=0.0132，Rp=0.9827，RMSEP=0.0114，而甘油和生物量模型的预测误差较大，但两个模型的预测值与实际测定值之间的相关系数都在0.95以上，说明所建模型能够建立起光谱变量与对应实测值之间的数学关系。