近红外光谱分析（NIRS）技术现已被广泛用于食品检测以及定量分析等领域,变量选择为近红外光谱建模分析里面的关键环节,对于提升模型的稳定性能和预测性能有着重要的意义。NIRS技术依照有机物含氢官能团（CH、NH等）对近红外光谱的吸收差异性,与化学计量学方法相结合之后,对不同物质成分进行定量分析。考虑到近红外光谱数据较为冗杂,并不是所有的光谱变量都可以和感兴趣的成分密切相关,且被测物质样本数量一般都远小于光谱变量数,种种因素导致建模时出现过拟合问题,使得模型的泛化性能不足,增加模型的运算时间。为了去除噪声及无效信息变量带来的影响,变量选择方法一般是近红外光谱建模过程里的重要环节,不同的变量选择方法对于简化近红外光谱预测模型,提升模型预测精度有着重要的作用。本文基于此背景开展了基于改进型BOSS算法的近红外光谱变量选择方法的研究,主要研究内容如下:第一部分:对近红外光谱分析技术展开介绍,基于模型集群分析（MPA）思想,对变量选择进行原理分析,并通过分析无信息变量消除法（UVE）、竞争自适应重加权采样法（CARS）、变量组合集群分析法（VCPA）、自助软收缩法（BOSS）的算法机理对改进型变量选择算法展开讨论,选择合适的光谱预处理方法、建模方法以及评价指标。第二部分:提出一种新的近红外光谱变量选择方法——变量频次加权自助采样法（FWBS,Variable frequency weighted bootstrap sampling）。此方法首先借助二进制矩阵采样法（BMS）进行采样,随机地组合生成不同的变量子集,并采用偏最小二乘法（PLS）构建不同变量子集的子模型。接着计算每个变量在子模型中出现的频次,然后对频次进行归一化处理,由此获得变量的初始权重。最后与加权自助采样法（WBS）相结合选择最佳特征变量。使用公共数据玉米、牛奶近红外光谱进行仿真测试,构建预测模型。结果表明,FWBS-PLS预测模型与UVE-PLS、CARS-PLS、BOSS-PLS预测模型相比,在玉米数据集上的预测均方根误差（RMSEP）分别由0.2523、0.1162、0.0831下降到0.0740,预测精度分别提升了70.7%、36.3%和11.0%,FWBS-PLS预测模型的相对分析误差（RPD）为11.1328;在牛奶数据集上的RMSEP分别由0.1743、0.1437、0.1432下降到0.0887,预测精度分别提升了49.1%、38.3%和38.1%,FWBS-PLS预测模型的RPD为12.2701。第三部分:选取了80个来自全国各地的小麦样品当作实验样本,按照国家标准检测小麦蛋白质含量的化学值,并且利用光纤光谱仪对小麦样本的近红外光谱数据进行采集以及预处理操作,之后对最终获得的小麦近红外光谱数据构建预测模型。结果表明,FWBS-PLS预测模型与UVE-PLS、CARS-PLS、VCPA-PLS、BOSS-PLS预测模型相比,在小麦数据集上的RMSEP分别由0.4390、0.4130、0.2605、0.3390下降到0.2532,预测精度分别提升了42.3%、38.7%、2.8%、25.3%;FWBS-PLS预测模型的RPD值为3.6994。综上所述,本文所提出的方法相比较其他变量选择方法,在客观评价指标上有所提升,表明此方法对于简化预测模型,提升模型预测精度方面略有成效。