化学计量学是通过综合运用数学、统计学等学科的方法对实验数据进行分析和整理,得到有关物质成分信息的推断和预测。近红外光谱分析（NIR）是一项快速、绿色、高效的检测技术,光谱分析技术的实现依赖化学计量学方法对数据进行筛选、分类和建模等处理。由于光谱数据普遍具有较高共线性的特点,在建立NIR光谱多元校正模型时需要进行光谱特征筛选。群智能优化算法作为有效的统计分析工具和波长组合优化方法,对提高NIR光谱分析模型的泛化能力和精度具有重要意义。差分进化（DE）和萤火虫算法（FA）是两种群智能优化算法,由于其操作简单,易于实现的特点得到了广泛的应用。由于光谱响应范围广,利用DE和FA在全测量区间进行特征选择往往需要大量的时间成本。本文提出两阶段波长筛选模型,首先利用NIR光谱分析领域中常用的波长筛选方法进行筛选,快速降低数据处理量。然后由DE和FA算法进行二次波长筛选。针对其在近红外光谱特征选择时收敛精度不高、易陷入局部最优的问题,本文在二进制差分进化（BDE）算法基础上引入自适应参数提出自适应二进制差分进化（ABDE）。同时为消除随机种群的影响,提出频数ABDE（FABDE）算法。设计了两个自适应函数1)1和1)2,分别对离散萤火虫算法（DFA）中的随机映射规则进行改写,记为IDFA1)1和IDFA1)2。本文选择的波长变量筛选方法为移动窗口偏最小二乘（MWPLS）和最大信息系数（MIC）两种。为获得更好的筛选结果提出两种改进的算法（MIC1和MIC2）。将算法两两组合,通过对鱼粉光谱定量分析,得到最优模式分别为MWPLS-FABDE、MIC2-IDFA1)2、MIC2-FABDE和MWPLS-IDFA1)2,RT和RMSET分别为0.941和1.160%、0.938和1.150%、0.925和1.262%、0.944和1.138%。实验结果验证了改进算法的性能均优于传统的方法,对提高近红外定量分析模型的适应性和稳定性来说是一种有利的方案,可尝试应用到其他定量分析实验中。同时,两阶段光谱波长变量筛选是很好且有前景的变量选择策略,为近红外光谱分析技术在快速检测方面的应用提供参考。