为充分有效地利用煤炭资源，须及时掌握煤质的变化规律。受测量方法和相关技术限制，传统的煤质分析技术已不能满足煤炭生产、加工和利用等过程的要求。煤质近红外光谱分析技术是一种新兴的煤质快速检测方法，可实现煤质全元素的快速在线分析。但由于该技术是一种间接分析方法，预测结果的准确性主要依赖于建模数据及建模方法。鉴于此，针对煤样光谱数据存在的不稳定因素多、维数高、特征变异范围广等问题，研究建模样本的优化选择、光谱数据的恢复与压缩处理，以及定量分析模型的构建。针对建模样本的优化选择，首先，研究同一煤样在不同粒度等级下的煤样光谱数据对分析模型预测精度的影响，采集0.2mm、1mm、3mm和13mm等4种粒度下的光谱数据，利用统一的测试平台与评估函数给出各种光谱数据的准确度对比；然后，提出基于迭代裁剪法的异常样本剔除，以相异性测度作为判定指标，结合光谱数据的特点给出相应的裁剪准则；最后，利用相关性测度制定判别准则，提出基于并行最小二乘回归估计法的争议样本判别。针对光谱数据的恢复处理，首先分析常用光谱恢复方法的适用性；然后，提出基于拟线性局部加权法的光谱散射校正模型，以及基于粗糙惩罚法的光谱优化平滑模式。通过引入拟线性函数与核函数、粗糙惩罚项，对原光谱与“理想”光谱在各波长点处的依赖关系进行更精确的描述，最大限度地消除散射干扰和随机噪声，使得恢复处理后的光谱更加接近真实光谱。针对光谱数据的压缩处理，首先，给出几种以波长点或谱区为单位的特征选择方法，包括重要性排序的向前选择法和基于遗传算法的谱区优化组合；然后，针对特征选择方法降维效果不显著的缺陷，在线性主成分分析方法的基础上，提出基于核主成分分析方法的光谱特征提取，该方法不仅改善了线性主成分分析方法的缺陷，还能实现光谱数据的高效压缩。利用统一的测试平台和评估参数，给出建模样本优化、光谱数据恢复与压缩等方法，对不同质量(信噪比)光谱数据集的分析处理效果，以全面验证各理论与方法的泛化性和有效性。针对煤质近红外光谱定量分析模型的构建，通过借鉴集成学习的思想，综合多种神经网络方法的优势，提出基于集成神经网络的定量分析模型：首先，利用SOM神经网络模型将全部建模数据集分为若干类子集，将其变异范围进行细化，以解决煤炭光谱特征信息分散的问题；然后，建立基于RBF和BP神经网络的定量分析子模型，并将各子模型的输出信息进行融合，以提高预测结果的可靠性。此外，为了减少参数设置对模型预测性能的影响，分别利用先验知识、交叉验证和遗传算法等方法，对分类个数、扩展常数和权值阈值等参数进行优化搜索。本文的研究综合了煤化学、光谱学、机器学习和人工智能等多门学科，产生的研究成果能够丰富光谱数据处理与回归预测的相关理论，并可有效提高煤质近红外光谱分析模型的预测能力。同时，对近红外光谱分析技术在煤质分析中的应用和推广，具有重要的理论意义和实际应用价值。