针对近红外光谱（NIRS）存在的吸收信号较弱、谱峰重叠、背景和噪声干扰等问题,借助有效的化学计量学算法建立高性能的定性和定量模型是NIRS分析技术的研究热点之一。卷积神经网络具有局部连接和权值共享的特性,能够高效处理大量光谱数据。本文提出串行融合和四元数并行融合光谱结合卷积神经网络的新方法,建立玉米成分含量预测定量模型和淀粉种类鉴别及成分预测的定性定量模型。主要研究内容如下:首先,针对国际公开玉米近红外光谱数据集,将样本原始光谱、一阶导数和二阶导数光谱构成串行融合光谱,建立玉米样本中水分、油脂、蛋白质和淀粉4种成分的卷积神经网络定量预测模型,并与串行融合光谱分别结合传统回归算法偏最小二乘回归和支持向量回归所建模型进行对比,结果表明串行融合光谱结合卷积神经网络所建模型性能最优;其次,实验采集马铃薯、玉米、小麦、木薯和豌豆5个种类淀粉的近红外光谱,基于四元数代数和卷积神经网络理论,建立5种淀粉近红外光谱四元数卷积神经网络种类鉴别模型。研究结果表明基于四元数卷积神经网络所建分类模型性能明显优于分别基于K最近邻、支持向量机和卷积神经网络结合最优预处理算法所建分类模型性能;最后,实验配置不同百分含量的小麦和玉米淀粉混合样本。将分别加入3m L、4m L和5m L蒸馏水的混合淀粉近红外光谱嵌入四元数空间表示成纯四元数光谱矩阵,建立混合淀粉近红外光谱四元数卷积神经网络定量预测模型。研究结果表明与传统回归算法法偏最小二乘回归和支持向量回归所建定量模型相比,四元数卷积神经网络所建模型性能指标更优,预测精度更高。本文将串行融合光谱和四元数并行融合光谱与卷积神经网络相结合,加强光谱数据之间的联系,充分挖掘光谱信息,无需进行预处理,为近红外光谱分析技术更简便、快速地建立高性能的定性和定量模型提供了新方法和新思路。