液滴分析技术是指在液滴的生长过程中,利用光纤电容液滴传感器获取通过液体的光强和液滴体积的变化曲线,进而获得可以反映被测液体综合特性的“液滴指纹图”。通过对液滴指纹图进行特征提取和模式识别,就可以达到精细鉴定液体种类,分析液体性质的目的。液滴指纹图识别软件系统主要由信号预处理模块、特征提取模块和模式识别模块三部分构成,本文结合理论与实验数据进行分析,对三个模块进行优化处理,通过实验验证最终的识别效果。为了有效解决液滴分析系统中测量电容信号产生漂移的问题,本文提出了基于空载电容校正系数的补偿算法对电容信号值进行修正。理论分析和实验结果表明,经电容漂移校正算法,电容初始值方差从4.8×10-2降低至1.4×10-4,降幅达两个数量级,很好的对电容信号漂移进行校正。为了有效地检测液滴分析系统中的异常液滴,提出一种基于箱线图法的异常液滴检测新方法。实验表明,利用箱线图法对38种测试液体样本的液滴指纹图异常值进行检测,准确率达到100%。为了有效地降低模式识别算法的时间复杂度,提出一种基于多元线性回归的方法来对液滴指纹图的特征向量进行降维处理。实验证明,利用降维后的8个特征向量可以在保证液滴指纹图的识别精度前提下缩减运算复杂度并取得较好的聚类效果。动态聚类法较系统聚类法在液体聚类中取得更好的效果。为了有效地提高液滴指纹图的识别精度与训练模型的推广能力,提出一种将支持向量机与聚类相结合的新分类算法。实验表明,通过聚类对数据进行初步划分,不仅获得了高的训练速度又加快了识别速度,同时将已知38种液体样本上的识别准确率提高到100%;优化后的分类器泛化能力有了大幅度的提升。