近红外光谱分析方法具有快速、高效、无污染、成本低、且不破坏样品等优点,目前被广泛地应用于各个领域当中。近红外光谱具有谱峰较宽、重叠比较严重的特点,需要借助化学计量学方法来建立模型才能较好地实现定量分析。在这个过程中,光谱的预处理、模型的建立是非常关键的环节。本文基于信号处理技术,针对傅里叶变换近红外光谱仪的原始测量信号——干涉图存在相位误差的情况,开展了相位校正方法的研究：针对现有多元校正方法的不足,开展了基于溶液混合模型的多元校正方法的研究；针对光谱测量时可能出现的测量背景变化、测量噪声增加和测量样品含有非校正集成分三种情况导致的异常光谱,开展了基于溶液混合模型(MMS)的异常光谱识别方法的研究；针对目前大多数多元校正方法都是以均方根误差为回归目标,而直接对相对误差考虑较少的情况,研究了以相对误差最小为回归目标的多元校正方法。本文的主要工作与创新为：1.在分析了相位误差存在的原因的基础上,提出了一种傅里叶变换干涉图相位校正的新模型(ADP模型)。相位校正的模型包括三部分：数字全通滤波器,延时器和移相器。模型求解过程中,粒子群优化算法用于全通滤波器的设计。采用模拟实验和应用实验来验证新模型的校正性能。模拟实验表明所提方法能在较少的迭代次数内实现高的相位校正精度,应用实验表明经ADP模型校正后的干涉图计算出的光谱用于定量分析得到了更好的预测结果。2.从溶液混合角度研究光谱与组分的关系,提出了一种基于溶液混合模型(MMS)的多元校正方法。MMS算法认为预测样品可看作是由校正集样品混合而成而不是纯组分样品混合而成的。实验通过两组网上公开的实验数据与偏最小二乘(PLS)算法进行性能对比。结果表明：在与PLS预测结果的比较实验中,MMS算法比PLS2具有更好的预测性能,与PLS1具有相当的预测性能；与PLS组分信息依赖性的比较实验中,在组分信息不完全的情况下建模,MMS算法体现出良好的鲁棒性,具有对灰色体系进行建模预测的良好潜能；在与PLS抗共同背景干扰和随机噪声的比较实验中,MMS算法体现了更好的抗背景干扰性能和较强的鲁棒性。3.针对光谱测量时可能出现测量背景变化、测量噪声增加和测量样品含有非校正集成分三种情况导致光谱异常,提出了基于溶液混合模型(MMS)的异常光谱识别方法。该方法在未知预测样本组分值情况下,利用MMS算法估计混合向量,利用混合向量与校正集光谱估计预测样品光谱,并根据实测光谱计算光谱估计偏差,最后利用F检验方法识别误差光谱的方差与校正集光谱噪声方差是否相等来判断预测光谱是否为异常光谱。实验结果表明：此方法对光谱仪常见的测量背景变化、测量噪声增加两种渐变故障及测量样品含有非校正集成分的异常样本情况有非常好的识别效果。利用此方法可提前发现光谱仪测量噪声升高或测量背景变化的两种性能变化,为光谱仪的性能变化检查提供了新的方法。4.针对目前大多数多元校正方法都是以均方根误差为回归目标,而直接对相对误差考虑较少的情况,研究了以相对误差最小为回归目标的多元校正方法。所提方法是基于BP神经网络提出的,通过对神经网络的输出进行调整实现了以预测相对误差为最小的目标。该方法分为改变预测结果的基本校正算法与综合利用基本校正算法及常规校正算法结果的多模型改进算法。实验结果表明：基本算法所得到的均方误差与PLS常规算法相当,所得的相对误差比PLS算法更小。多模型改进算法进一步减小了预测均方根误差与相对误差。