日常生活中经常需要在显示器上再现图像,可是拍照媒体获取的图像到显示器上显示时或同一图像到不同显示器上复现时会出现不同程度的颜色失真问题,解决的办法之一是对设备进行颜色管理。显示器特征化是颜色管理的关键步骤之一,显示器特征化方法主要分为色度特征化和颜色光谱特征化,本文对液晶显示器光谱特征化方法进行研究同时对色度特征化方法的两个问题进行探讨。首先针对文献中讨论最多的色度特征化模型GOG、PLCC和PLVC模型,探究训练数据类型对模型预测精度的影响,同时比较PLVC逆向模型的实现。我们通过实验测量的数据,分析了GOG、PLCC和PLVC这三种模型在取样点个数分别为3～18、33、65、129、256时采用灰阶和纯色数据训练时的模型结果,发现采用灰阶数据训练能达到类似或更优的预测效果,尤其是最大色差较小。同时比较了PLVC逆向模型采用固定点迭代法和牛顿迭代法,以及原初值选取办法和采用PLCC模型预测初值办法的结果,发现固定点迭代法在RGB较小时可能不收敛,采用PLCC模型预测初值能降低不收敛样本的个数,采用牛顿迭代法和PLCC模型预测迭代初值能保证精度和减少模型运行时间。显示器的光谱特征化能实现同色同谱再现,而且在多光谱图像的再现有着重要应用。本文提出采用常用的GOG和PLCC模型进行液晶显示器光谱特征化,虽然GOG和PLCC模型是常用的显示器特征化模型,但文献没有用这两个模型进行光谱特征化的讨论。并与刘浩学等人提出的光谱辐射分区模型(记为SRPM模型)以及Tian和Zhang等人改进后的光谱辐射亮度分段分区模型(记为SRPPM)比较。我们首先基于通道独立性和各通道色品坐标恒定性的假设证明了GOG和PLCC模型均可用于液晶显示器光谱特征化。然后基于目前常采用的专业显示器EIZO CG277、NEC PA271Q、BENQ PG2401和普通的显示器Lenovo LS224进行了比较研究,同时也分别探讨了采用纯色和灰阶数据进行训练的GOG和PLCC模型。比较结果表明,采用灰阶数据训练的GOG和PLCC模型分别表现好于采用纯色数据训练的GOG和PLCC模型。不论从正向还是从逆向的角度考虑,采用灰阶训练的PLCC模型的精度要比SRPPM和GOG模型高,而且PLCC模型的逆向远比SRPPM的逆向简单。因此建议采用灰阶数据训练的PLCC模型对液晶显示器进行光谱特征化。本课题的研究成果也为未来的显示器特征化模型的发展提供了一个新的思路,有一定的借鉴意义。