光谱分析技术由于具有操作简便、能实现多元素或化合物的同时测定以及灵敏度高等优点,已被成功应用于农业和食品等众多领域。单模型建模是光谱分析中常用的一种手段,即通过训练集样本构造一个最优模型来对未知样本进行预测分析。然而,面对一些复杂的情况如较少的训练样本数,采用单模型建模方法的预测结果可能难以满足要求。共识建模方法由于对数据集的质量和大小不具有倾向性,并且对不平衡的数据集有更强的鲁棒性,从而能够弥补单模型建模方法的不足。共识建模是指结合多个成员模型而形成一个共识模型,从而达到模型的预测精确性和泛化性的提升。本论文将共识建模方法分别用于近红外光谱和激光诱导击穿光谱的定量与定性分析研究,主要内容如下:1.从对光谱研究的发展历史出发,简要介绍了光谱分析的基本原理、化学计量学方法的作用以及光谱分析中常用的单模型建模方法和共识建模方法及其应用。2.研究与分析了单模型建模方法SPA-MLR的不足之处,为充分利用和提取光谱中的有用信息,提出了一种多回归模型共识SPA-MLR(C-SPA-MLR)算法。该方法中,SPA-MLR以迭代方式选择不同的变量子集来建立相应的成员模型,然后从中选择部分预测效果较好的成员模型组成共识模型对未知样本进行预测。通过对玉米近红外光谱数据进行评估发现,C-SPA-MLR模型的预测性能比全光谱PLS模型和单个SPA-MLR模型都要好。3.研究了模式识别过程中特征信息的提取方法,提出了一种利用小波包变换结合多分类器共识建模方法的分类识别算法。在该算法中,利用小波包变换对信号进行特征信息提取即对信号进行小波包分解,直接利用分解后获得的能反映不同信息的小波包系数作为特征变量,分别建立定性成员模型(即分类器),然后利用多分类器共识建模方法组合成共识分类器对未知样本进行分类研究。通过对重金属污染泥蚶激光诱导击穿光谱数据进行分类识别发现,该方法能够提高模型的分类正确率,而且优于基于全光谱的识别和基于最优小波包系数的识别方法。