随着检测技术和化学计量学的发展,可见-近红外（Vis-NIR）光谱以其快速简便的分析优势,已逐步被应用于农业、食品、环境、生物医药等领域。在血液检验方面,很多基础性临床指标,如,血糖（葡萄糖、糖化血红蛋白）、血脂（胆固醇、甘油三酯）、蛋白（血红蛋白、白蛋白、球蛋白）等,具有显著的近红外吸收。血液Vis-NIR光谱分析具有多种疾病临床检测的应用潜力。心脑血管疾病是当今严重威胁人类健康的高发疾病。血粘度是前瞻性的监测指标。现有的血粘度检测的血液流变学法,操作复杂、专业性强,不适用于经常性、大人群的筛查。由于高、低剪变率全血粘度反映血细胞的聚集性和变形性,与血红蛋白关联,而血红蛋白具有明显的近红外吸收性;另一方面,由于粘性高,全血样品的近红外光谱产生散射,散射程度与血粘度有一定相关性。本文研究了Vis-NIR光谱具有间接定量分析全血粘度的可行性和相关方法。乳腺癌也是危害严重的高发疾病,临床乳腺癌筛查十分常见。病理学检查是乳腺癌诊断的金标准方法,但它对身体有创伤,不适于经常性的大人群筛查。乳腺癌患者血清中存在特异蛋白肿瘤标志物,引起血清组分的变化,反映于血清光谱的整体变化。近红外光谱定性判别分析运用光谱的同类相似性和异类差异性进行光谱模式识别。本文也开展了血清Vis-NIR光谱定性判别乳腺癌与正常对照样品的可行性和相关新型化学计量学方法研究。关于全血粘度检测的Vis-NIR光谱定量分析,主要研究内容和结果如下:（1）基于定标-预测样品的多次划分,建立多参数优化的建模体系。计算所有单划分的预测均方根误差（SEPi）和预测相关系数(RP,i),依据综合预测误差（SEP+）优选参数,避免数据过拟合,保证参数稳定性和可靠性。并采用不参与建模的检验样品,对确定的模型进行独立检验,使结果具有客观性。（2）基于血粘度与光谱散射的关联性假设,提出噪信比优先偏最小二乘（NSRP-PLS）法。通过光谱相似性分析,提出噪信比（NSR）光谱,刻画光谱散射程度;按照噪信比优先选择最优波长组合,提升全血粘度分析精度。（3）采用的NSRP-PLS法,按照样品的性别分组,分别建立低、中、高切全血粘度三指标（WBVL,WBVM,WBVH）的Vis-NIR分析模型。经独立检验,三指标的预测值与临床实测值的预测均方根误差（SEP）分别为0.508,0.226,0.182（m Pa·s）,预测相关系数（RP）分别达到0.927,0.935,0.937。也采用三种经典方法（MW-PLS,CARS-PLS,SPA-PLS）进行分析和比较。结果表明,NSRP-PLS取得显著更好的预测精度。关于血清乳腺癌筛查的Vis-NIR光谱定性分析,主要研究内容和结果如下:（1）基于定标、预测的阳性（乳腺癌）、阴性（正常对照）属性,提出9个识别准确率（RAR,%）及其标准差(RARSD),作为判别模型评价指标。以总准确率(RARTotal)为优化指标选择波长模型,兼顾各属性的判别效果平衡(RARSD)。（2）波长模型优化方法。建立基于三参数大范围优选的等间隔组合（EC）算法;提出可对任意（连续,离散）波长模型进行二次优化的波长逐步淘汰法（WSP）法,进一步提升光谱预测能力;并集成偏最小二乘法判别分析（PLS-DA）,构建EC-PLS-DA,EC-WSP-PLS-DA的多参数优化平台,应用于血清乳腺癌判别分析。（3）运用集成学习Voting策略,提出以等间隔组合波长为基元的模型融合方法。通过三个EC-PLS-DA模型的优势互补,联合评价,取得明显优于全局最优EC-PLS-DA模型的判别效果。（4）采用EC-PLS-DA法,依据建模效果(RARTotal,RARSD)确定全局最优EC波长模型I:I=1976 nm,N=31,G=7（位于NIR合频区）。采用独立检验样品,阳性、阴性、总的识别准确率分别为85.0%、90.0%,87.5%。再从可见-NIR高倍频区、NIR低倍频区分别遴选等间隔组合波长模型II:I=738 nm,N=65,G=6;III:I=1082 nm,N=29,G=1。上述三个EC波长模型被用于Voting策略的集成学习,进行乳腺癌判别的模型融合,其独立检验的三个识别准确率均大幅提升到95.0%。本文系统研究了Vis-NIR光谱的血液定量/定性分析方法。研究表明:1)Vis-NIR光谱结合提出的NSRP-PLS方法可用于全血粘度三指标的高精度定量分析。该方法兼顾吸收波长信息,适用于与散射具有相关性的复杂物的定量分析。2)采用Vis-NIR光谱结合基于EC-PLS-DA的Voting模型融合评价,可用于血清乳腺癌样品的判别分析。该方法运用Voting策略的集成学习,实现模型的主客观融合、优势互补的综合评价效果。3)上述血液分析技术是简便、新颖的,在大人群健康筛查中有应用前景。提出的方法框架对于血液定量/定性分析方法的发展具有意义,相关波长模型也可为专用仪器设计和临床应用提供参考。