本论文阐述了近年来指纹图谱的研究进展,及化学计量学在指纹图谱研究中的应用及前景。用高效液相色谱法和红外、近红外及三维荧光光谱法分别建立了不同基源、产地或炮制的中药指纹谱图,运用化学计量学方法对数据进行解析,建立了鉴定中药的识别模型,为指纹图谱技术用于中药质量控制提供了一定的理论基础。第一章对中药指纹图谱的起源、定义、特点、研究现状和前景进行了综述,重点介绍了构建指纹图谱的方法及各自的特点。另外还介绍了化学计量学方法在指纹图谱研究中的应用,对各种数据前处理、特征选取、模式识别方法进行了详细的阐述。第二章采用高效液相色谱法建立了不同基源及不同炮制的中药决明子指纹图谱。由于决明子的成分非常复杂,组分性质各异,传统的单一检测波长的色谱指纹图谱不足以全面地反映决明子的内在质量。实验发现,不管是生品决明还是炒决明,有一些组分在固定的一个检测波长处没有响应或者信号很弱。基于这种情况,我们采用高效液相色谱利用二极管陈列检测器得到46个来源不同的中药决明子样品在238nm和282nm检测波长下的指纹图谱。并利用化学计量学方法对实验数据进行解析。主成份分析(PCA)的结果表明46个决明子样品可清楚地分成四类,生品大决明子、炒大决明子,生品小决明子和炒小决明子,与单一波长(238nm和282nm)指纹图谱相比,得到了更理想的分辨效果,本文还运用偏小二乘法(PLS),反传人工神经网络(BP-NN)和径向基人工神经网络(RBF-NN)等有监督的化学计量学方法建立训练模型,并对由四类不同的决明子样品组成的测试集进行分类判别预报,揭示决明子的内在质量,取得了比较满意的结果。结果表明,本文提出的方法可以作为决明子质量控制的一种有效工具。第三章以生品决明和炒制决明为例,建立了一种基于傅里叶变换红外光谱指纹图谱的方法,用于对不同炮制的中药进行快速分类。收集80个决明子样品,测量其在2000-400 cm-1范围内的红外光谱,用主成分-最小二乘-支持向量机(PC-LS-SVM)、核主成分-最小二乘-支持向量机(KPC-LS-SVM)、RBF-NN对光谱数据进行解析。优化的模型最终用来完成对测试集样品的预报。从分类效果来看,PC-LS-SVM、KPC-LS-SVM和KPC-RBF-NN的结果相似,前两种方法得到了100%的正确分类率,后者的正确分类率也接近于100%。KNN方法得到的结果不甚理想。从化学计量学模型建立的角度来看,KPC-LS-SVM在一定程度上要优于PC-LS-SVM。当PC-LS-SVM模型不适用或不利于计算的时候,可以考虑KPC-LS-SVM模型。结果表明FT-IR光谱结合化学计量学方法可作为有效辨别不同炮制的中药的参考方法第四章用近红外光谱法建立了不同产地延胡索样品的快速分类方法,从而达到鉴别道地与非道地药材的目的。采用小波变换(WT)处理光谱数据,并建立了LS-SVM, RBF-NN, DPLS和KNN识别模型。从识别率和预报率来看,四种模型都获得了相当的分类正确率,不过其中LS-SVM方法无疑是最成功的,识别率和预报率均在95%以上。由此可见,近红外光谱法结合WT-LS-SVM化学计量学方法能有效地对延胡索药材进行分类。初步实验结果表明,该方法可作为快速鉴别道地和非道地药材的可行性方法。第五章对来源于同科的中药夏天无和延胡索,以及两者以不同比例混合的混伪品共119个样品进行了三维荧光光谱扫描,建立了不同种类样品的三维荧光光谱和等高线荧光光谱图。对荧光光谱矩阵O(119×542×37)进行主成分分析和平行因子分析。主成分分析提取了119个样品的特征光谱后,再对其进行主成分投影分析,得到了样品的大致分布。而对119个样品的三维荧光数据则用4因子平行因子模型分析,得到了原阿片碱及其他3个成分的荧光分辨轮廓,并分析了不同样品在4个因子上的投影得分图的特点,4因子投影图能有效地鉴别夏天无和延胡索,并能较好地区别混伪品,对未知样的归属也能进行有效的判断。将主成分提取的特征光谱数据矩阵Onew(119×542)和平行因子分析得到的4因子得分矩阵C(119×4)作为输入变量,分别建立有监督识别模型。KNN或LDA模型只能正确区分夏天无和延胡索,但不能很好地对混伪品进行鉴别。BPNN和RBFNN模型得到了较为满意的结果,不管是对夏天无和延胡索,还是混伪品都有较好的分辨能力。尤其是以PARAFAC因子得分作为变量时,不管是BPNN还是RBFNN模型,都能成功地鉴别夏天无、延胡索及混伪品,并能对未知样品的归属进行预报。本章成功地利用三维荧光光谱法,结合二维模式识别方法和多维模式识别方法对夏天无和延胡索样品进行鉴别,有效地辨别了混伪品,并成功地对未知样品的归属进行预报。该方法快捷有效,将多维方法用于中药质量评价及控制,不失为一种有意义的尝试,为研究其他中药提供了参考。