激光诱导击穿光谱（Laser-Induced Breakdown Spectroscopy,LIBS）技术是上世纪六十年代发展起来的一种极具发展潜力的原子发射光谱检测技术。LIBS技术依靠其无需专门制样、对样品破坏小、灵敏度高、检测限低等特点,跃身成为热门的研究课题。本论文依托国防预研项目“***的快速检测与识别技术研究”为背景,针对改善LIBS光谱质量,提高定量分析准确性和稳健性,开展了基于LIBS技术的基线校正方法研究。本文的主要研究内容如下:（1）通过对LIBS发展历史的了解以及文献的查阅,详细分析了影响LIBS光谱强度的因素,对搭建的LIBS系统原理样机中的仪器进行了参数调整。等离子体在激发后,会随着时间的流逝不断的向外进行光辐射,通过调整光谱仪采集时间,可以获得等离子体光谱的最佳观察时间;在搭建激光双脉冲时,通过调整双脉冲时间间隔以获得最佳的等离子体光谱强度。（2）通过总结归纳其他光谱的基线校正方法,了解基线校正方法的基本原理和技术特点,并针对激光诱导击穿光谱数据中存在的周期性拱形突起问题,提出了一种改进的基线校正算法。该算法基于惩罚最小二乘方法,通过改变局部惩罚系数,使其在拟合周期性拱形突起的同时降低谱线强度对拟合基线的影响。与其他基线校正方法相比,该算法在拟合仿真基线时的均方根误差更小,并且在该算法下,Ba元素的定标曲线的相关系数达到了0.9972。结果表明该算法相较于现有的去基线方法,在拟合中阶梯光栅光谱仪采集激光诱导击穿光谱的基线时,能更好的保留光谱数据的有效信息。（3）在实验室研制的光谱数据软件上集成了IAs LS、As LS、as PLS、air PLS以及本文提出的基线校正方法,结合BP神经网络,比较了不同基线校正方法对神经网络训练模型和预测结果的影响。实验结果表明对光谱数据进行基线校正,能一定程度上提升神经网络训练模型的稳定性,验证了基线校正方法在神经网络定量分析模型中的积极作用。综上,本论文从LIBS系统硬件参数与预处理基线校正算法两方面对LIBS定量分析准确性问题进行了研究。研究结果可为提升LIBS光谱数据的质量、提高LIBS定量检测的准确性提供一些有价值的参考。