本文利用傅里叶变化红外光谱—人工神经网络(FTIR-ANN)联用技术,对多组分的VOCs进行了自动识别和定量分析,并且利用改进的ANN方法,结合平滑基函数最小化算法(SBFM)重构得到大气中各种污染物在二维平面上的浓度分布图。首先,采用模拟的光谱数据,引入逼近度的概念确定最优网络模型,避免了网络陷入局部极小,成功地实现了单组分和多组分污染物的同时鉴别和定量分析。然后,利用非线性迭代偏最小二乘(NIPALS)法和奇异值分解(SVD)法分别对网络的输入变量进行主成分提取,结果表明,人工神经网络的训练速度显著提高,预测性能明显改善,并且两种方法相比,NIPALS法所得结果明显优于SVD法。最后,将NIPALS-ANN模型和遥感FTIR联用,定性定量分析了模拟的污染区域中的VOCs,并引用SBFM算法,重构出了各种气体在二维平面上的浓度分布,根据重构图可以预测出VOCs气体的扩散范围,以及浓度的最大区域,以便及时发现污染源并采取相应的措施控制污染范围的扩大。本研究为大气中VOCs的定性和定量分析提供了一种新途径,为工业废气等大气污染物的在线、连续和实时监测提供了一种有效方法。