红外光谱分析技术由于具有无损、在线检测及高效等特点,已被广泛应用到农产品、食品、石化、制药等领域的定量和定性分析中。然而,实测光谱往往会含有噪声、基线漂移以及干扰信息,这些因素严重影响光谱分析的最终结果。适当的预处理、波段选择及建模方法是克服这些干扰信息,提高所建模型性能的关键所在。导数谱作为常见的预处理方法之一,已被广泛使用,不但可以消除基线漂移的影响,而且能够区分混叠谱峰,深度挖掘光谱信息,能够提高光谱分辨率。在此背景下,本文结合基于奇异摄动技术的导数光谱估计器,提出了融合导数谱偏最小二乘建模的方法。该方法的核心思想是利用导数谱信息挖掘能力、波段选择的优化能力达到提升模型性能的目的。在以获取高质量导数谱信息的前提下,利用区间偏最小二乘,实现同阶次导数谱信息空间加权融合建模。在此基础上,进一步集成不同阶次导数谱信息融合建模,形成最终的集成模型。为了验证该算法的有效性,以啤酒、葡萄酒为样本,进行实验验证。实验中,啤酒原始谱偏最小二乘(PLS)模型的交叉验证均方根误差(RMSECV)、预测均方根误差(RMSEP)分别为 1.3775、1.2475,叠加偏最小二乘(SPLS)模型的 RMSECV、RMSEP分别为0.0945、0.1161,融合导数谱PLS模型的RMSECV、RMSEP分别为0.0664、0.0854。与 PLS 和 SPLS 相比,RMSECV 和 RMSEP 分别提高了 95.18%、29.76%和90.75%、26.44%。在葡萄酒实验中,与PLS、SPLS相比,融合导数谱PLS模型的RMSECV和RMSEP分别提高了 28.33%、36.09%和28.91%、16.95%。实验结果表明,本文所提出的融合导数谱偏最小二乘建模方法与现有的建模方法相比,具有优越的预测能力。