红外波段的中红外(IR)和近红外(NIR)光谱用于定量研究具有分析速度快、无需预处理、无损等优点,在食品、农产品和制药等行业中有广泛应用。由于是一种间接测量技术,依赖特定的数学模型,因此如何提高预测模型的准确性、稳健性是光谱分析领域研究的热点。食用油中亚油酸与亚麻含量与人类健康有密切关系,本文研究基于NIR和IR快速检测食用油中亚油酸和亚麻酸含量。为确保试验中样品具有良好的代表性,收集大量食用食用植物油样品,包括市场出售以及购买原料后自制油样。随机将食用植物油划分为预测集和校正集,数量分别是201和101。甲酯化后气相色谱分析亚油酸和亚麻酸含量。采集样品的NIR和IR光谱,1阶导数和Autoscale对光谱进行预处理,PLS建模。结果显示,亚油酸以NIR光谱模型的预测精度高,亚麻酸以IR光谱效果好。将光谱分为10个区间,采用iPLS和siPLS方法建立模型,对于亚油酸和亚麻酸,均以siPLS方法的效果好。联合近红外光谱第7和10区间,取10个LVs时,亚油酸RMSECV和RMSEP分别为1.2443%和1.3493%。联合IR光谱第9、10区间,取9个LVs时,亚麻酸RMSECV和RMSEP分别为0.3148%和0.2940%。奇异样本的消除对模型的稳健性和精度提高有重要意义。本文提出并验证基于蒙特卡罗交叉验证的、RMSECc和RMSEPm相结合的方法消除奇异样本,比单用其中一种方法更合理,优于杠杆值等方法,为建立稳健模型奠定基础。将光谱平均分为40个区间,采用蒙特卡罗策略,挑选1/3的区间建立PLS模型,共1000个,将RMSEC从大到小排序,取前20%,计算各区间出现的频率。选择出现低频率的区间,联合组成新光谱,建立PLS模型。结果显示蒙特卡罗方法能够在较小计算工作量的情况下找到最佳的区间组合,同时还能达到比前两者更好的模型预测精度。因此,是一种好的优选区间的方法。采用两类方法消除光谱中无信息变量。其一是基于引入变量的无信息变量消除,包括UVE-PLS、UVE-GA-PLS、nUVEvote-PLS、MP-UVE-PLS。结果表明MP-UVE-PLS方法有高度的优选变量能力,大大的提高模型的精度和稳健性,是最好的方法。其二是基于蒙特卡罗的无信息变量消除方法为,包括LOO-UVE-PLS、MC-UVE-PLS、MCvar-UVE-PLS,结果表明本文提出的MCvar-UVE-PLS方法最佳。探讨NIR和IR光谱融合技术问题。将两种光谱通过不同方式的连接,模型的预测精度比单一NIR或IR模型高,其中以近红外1阶微分光谱与IR光谱融合后的效果最好。3种融合连接的光谱经UVE-PLS消除无信息变量后,预测模型精度提高。特别是经MP-UVE-PLS方法能够消除大量的无信息变量,预测精度在本文中达到最佳。充分显示出两种光谱融合后起到相互补充作用,有利于建立高精度预测模型。对融合后的光谱采用小波压缩,大幅度降低变量数目。对尺度分别为2、4、8的压缩后光谱进行PLS建模,模型的精度差异不大,但均比未压缩的光谱模型高。对经小波压缩后光谱进行无信息变量消除,可消除大量变量,将优选出变量进行建模,其中尺度为2时较好,但不及对原谱进行变量优选的效果好,尺度为8时最差。因此,融合光谱能够提供更多信息,用于建模可以增加预测精度。对干涉图进行小波消噪,然后傅里叶变换得到光谱图,比较前后的信噪比。对于直接透射空气的100%线,应用db3小波基消噪,可使信噪比(p-p)提高41.19%,信噪比(RMS)提高29%；对于聚苯乙烯,光谱峰位保持完好,谱形在低波数区与原始光谱一致,高波数区有细微差异。在弱信噪比(ATR附件,空气)试验中,小波消噪依然可行,但信噪比(P-P)提高的较少,最好的情况只有4.97%(db3小波基)。对于弱信噪比的油样试验(ATR附件),采用bior2.4小波基,能够保持谱形不变。因此,基于干涉图小波消噪策略,将有助于增加仪器的信噪比,从而提高光谱质量。提高信噪比能力与原始干涉图信号的信噪比强度有关,对于高信噪比信号的效果好,弱信噪比信号的效果差。后续研究拟利用本文优选的敏感波长(波数),结合现代光电器件,制造价格低廉的光谱仪,将能更好的应用于实践；将干涉图小波消噪方法整合到FTIR光谱仪器中,评估、完善。