新型复合肥产品中聚谷氨酸（γ-PGA）成分的快速、准确检测具有重要意义。近红外光谱（NIRS）分析技术因其无损、便捷等优点在众多领域获得广泛应用。随着人工智能的不断发展,深度学习算法也被越来越多地应用于近红外光谱分析领域。本文提出基于格拉姆角场（GAF）变换结合四元数卷积神经网络（QCNN）的新方法,建立复合肥样本中γ-PGA成分鉴别和能量液样本中γ-PGA含量预测的定性定量模型。主要研究内容如下:首先,实验采集含γ-PGA与不含γ-PGA的钙肥和硝基肥样本的近红外光谱并进行MSC+一阶导数预处理和GAF变换,建立两种复合肥样本中γ-PGA成分的GAFCNN鉴别模型。结果表明,该方法能够增强特征的表达与光谱信息之间的关联性,建立高性能的复合肥中γ-PGA成分的近红外光谱鉴别模型;其次,针对钙肥样本,将转换后的二维GAF彩色图像基于四元数理论进行并行表示,再搭建QCNN模型进行钙肥中γ-PGA成分鉴别并与传统方法进行对比。研究结果表明四元数并行表示GAF图像的R,G,B三通道信息,解决了通道间耦合特征丢失的问题,所建的GADF-QCNN模型性能优于PLS-DA、PCA-SVM、1D-CNN和GAF-CNN;最后,实验采集γ-PGA浓度分别为3.5g/ml、1.75g/ml、0.875g/ml、0.4375g/ml、0.21875g/ml的能量液样本的近红外光谱并进行二维相关分析,然后基于GAF变换和四元数理论建立能量液中γ-PGA含量的GAF-QCNN定量预测模型并与传统算法进行对比,结果表明GASF-QCNN模型定量指标最优,预测精度最高。本文通过结合格拉姆角场变换和四元数卷积神经网络进行复合肥近红外光谱分析,该方法能够拓宽光谱分析的维度,充分挖掘光谱深层信息并加强信息间的关联性,为近红外光谱分析技术更简便、快速地建立高性能的定性和定量模型提供了新方法和新思路。