拉曼和近红外光谱分析技术经过几十年的发展,以其无损、快速测量的特点成为当代重要的分析测试手段之一。由于拉曼和近红外信号能量弱,易受干扰,所以光谱的预处理工作非常重要,其直接影响到定标模型的质量及应用范围。常规的去噪和基线校正方法,如小波变换、导数法、插值、多项式拟合等需要根据不同光谱的特点及时调整算法的基函数、分解层数以及重构信号的方式等,参数的设置不具备先验性,对于谱峰尖锐、波形变换剧烈的拉曼光谱很难实现最优预处理。为了解决常规光谱预处理方法自适应性不强的问题,改善拉曼和近红外光谱去噪效果,提高光谱基线校正精度,增强光谱模型测量准确性,本文主要进行了以下几个方面的研究工作:首先,针对拉曼光谱高频信号与噪声易出现模态混叠的问题,将总体经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)方法应用到拉曼光谱高频去噪。在验证拉曼光谱EEMD过程具备近似完备性基础上,构建了一种基于归一化指标寻优的EEMD去噪方法,该方法以归一化去噪指标的全局最优点为去噪过程的停止条件,去噪过程无需参数设置、可以自适应完成。通过对拉曼光谱数据去噪处理的结果表明,该方法提高了拉曼光谱去噪精度、降低了去噪过程的操作难度,简单有效。其次,为了进一步提高低信噪比情况下基于归一化指标寻优的EEMD方法的近红外光谱去噪精度,提出了近红外“3R”去噪方法。该方法针对同一样品的近红外透射谱和吸收谱,计算疑似噪声本征模态分量(Intrinsic Mode Function,IMF)与其对应透射谱和吸收谱之间相关性、透射谱分量与吸收谱分量之间相关性、IMF分量自相关性,根据三组相关性数据判断出噪声分量并滤除。将该方法应用于玉米叶绿素含量测量建模中,结果表明,其去噪精度优于经验模态分解(Empirical Mode Decomposition,EMD)低通滤波、小波分解和基于归一化指标寻优的EEMD方法。然后,针对拉曼和近红外光谱由于基线漂移引起的谱线倾斜问题,提出一种残余相关EEMD基线校正方法,实现了拉曼和近红外光谱自适应基线校正。通过对近红外光谱数据去基线仿真研究的结果表明,该方法优于小波校正,逊于多项式全局拟合,与非线性最小二乘法拟合效果相似;对玉米叶片拉曼光谱去基线实验数据分析结果表明,该方法校正后数据所建模型具有最优校正集和预测集指标并对特征峰影响最小。上述结果表明,对于基线背景不明确的真实拉曼光谱,残余相关EEMD基线校正方法的自适应特性凸显,取得了优化的基线校正效果。最后,提出了一种基于EMD时频方法分析近红外光谱,进而定性检测碱成分的方法,该方法通过分析比对近红外和拉曼光谱的IMF分量时频属性,从分量的比重、调制方式阐述了EMD去除玉米叶片近红外光谱噪声和分解拉曼光谱时发生模态混叠的原因,并应用希尔伯特变换处理碱胁迫玉米叶片近红外光谱,得到波数频率分谱,进而求得和谱,通过和谱特征频率实现了碱成份的定性检测,从而验证了EMD时频定性分析近红外光谱的可行性。