镉,铜,锌,铅等的重金属金属水体污染问题是全球性环境污染问题之一而被重金属污染过的水体生物如果作为食物进入人体,将对生命、健康安全造成重大威胁,而利用光谱分析快速、安全、低成本、对样品无损伤等优点来检测样本是一种很好的途径。但是污染源的不同,现实中污染样本少的特点,决定了异常样品的缺失。因此,本文利用单类分类算法对泥蚶的正常样本进行训练,建立模型,实现包含正常样本和异常样本的预测集的分类。其中,分别采用了支持向量数据描述算法(svdd)、单类偏最小二乘分类(ocpls)和单类高斯过程(ocgp)这三种单类分类的方法来实现对泥蚶重金属的检测。本文的主要内容如下:1)首先从重金属污染的严峻形势出发,探讨了以泥蚶这种水体生物作为研究对象,进行重金属污染检测的意义。然后,介绍了光谱研究的发展历史,基本原理,应用的现状,这是我们利用光谱分析作为检测手段的优势。接着,引入单类分类方法,简述了它的原理和研究现状,这是本文实现重金属光谱检测的必要基础。2)针对正常和重金属污染的样本数据,首先进行预处理,这是应用三种单类分类方法的准备基础。其中包括savitzky-golay滤波(S-G滤波)和对样本的一致性检测。其中,S-G滤波实现了对样本数据的平滑处理,降低了噪声。样本一致性检测以统计学的方法验证了实验数据的可靠性。3)从不同单类分类方法的视角下,分析四种重金属元素分析重金属元素与正常样本的差异。其次,从不同重金属元素样本的视角下,分析不同单类分类方法的准确性,着重研究与分析了支持向量数据描述算法(svdd)、单类偏最小二乘分类(ocpls)和单类高斯过程(ocgp)三种方法对实际样本的预测效果。对于Cd样品来说,ocgp方法的分类识别率最高,但是算法对训练样本数目的依赖性比较强。对于Pb和Zn样品来说,ocpls方法效果最好,分类识别率达到了95%左右,并且算法对训练样本数的依赖性并不强。svdd对于不管哪种样品的分类准确度都不高。