近年来,间接检测的近红外光谱技术（Near Infrared Spectroscopy,NIRS）快速发展,具备无污染、无损和经济的优点,在食品、农业、生物化学、医学成像等领域得到广泛应用。但采集的NIRS数据普遍存在特征重叠、数据维度高、噪声干扰大,且存在大量冗余变量,直接影响了数据驱动模型的性能。为此,本文采用块稀疏贝叶斯学习（Block Sparse Beyasian Learning,BSBL）算法与模型集群分析（Model Population Analysis,MPA）策略,展开NIRS特征峰稀疏重构及其特征选择方法的探索,内容如下:（1）针对NIRS数据的高维和特征重叠易降低模型性能的问题,根据光谱特征峰的数量有限性,提出采用BSBL方法对NIRS特征峰进行重构选择的策略,并具备自动检测特征峰位置和宽度的功能。根据峰的定义和特性,采用一阶、二阶偏差以及半峰宽策略,实现自动检测特征峰的位置和波长范围,同时利用块结构模型和稀疏贝叶斯策略有效地实现光谱特征峰波长的稀疏重构,排除无关特征对预测性能的影响和干扰;此外,快速边缘似然最大化方法被用于优化目标函数,提升算法的收敛速度。最后,以合成光谱数据和实测光谱数据为例,进行定量模型分析,结果证明所采用方法不仅使模型的预测性能得到了提升,还降低了计算复杂度。（2）由于在NIRS重构选择过程中没有关联感兴趣的理化指标,导致重构的特征仍包含大量无关信息,从而降低模型预测精度。为此,本文结合MPA理论探究了NIRS特征峰变量选择方法。该方法采用BSBL方法对NIRS特征峰波长进行高效的重构选择,接着采取MPA策略将重构的特征变量与理化指标建立联系,进行变量选择。VCPA和VISSA作为典型的MPA方法被采用,同BSBL相结合进行特征峰变量选择,并作了对比分析。最后,利用实测数据验证所提方法的有效性,结果证实本文算法在提升模型预测能力的同时缩小了变量选择的范围,减少计算时间。上述研究成果为实际生产过程品质监测和等级鉴别的无损检测手段提供技术支持,有利于推动NIRS分析技术的发展,进一步提升过程监控和检测的数字化和信息化程度,为维护市场质量体系的健全和稳定奠定了基础。