本文研究了三种食用合成色素苋菜红、酸性红和新红的同步荧光光谱，并将同步荧光光谱与曲线拟合、神经网络相结合对苋菜红、酸性红和新红进行了定量检测。实验分别测量了苋菜红、酸性红和新红单体以及酸性红与新红混合溶液的三维荧光光谱和三维同步荧光光谱，并对比了单体的普通荧光光谱和同步荧光光谱，比较了混合溶液同步荧光光谱和相应单体的同步荧光光谱，探讨了苋菜红、酸性红和新红的同步荧光光谱强度和浓度的关系。实验结果表明，三维同步荧光光谱和三维荧光光谱都可用于物质的表征；同步荧光光谱技术可以有效地避免瑞利散射的影响；同步荧光光谱强度和浓度呈现非线性关系。应用线性拟合技术对1ug·ml-1~4ug·ml-1浓度范围内苋菜红的同步荧光光谱强度和浓度关系进行了拟合。根据330nm和542nm处的同步荧光峰值强度和苋菜红浓度的关系建立了三个线性拟合模型。三个模型均取得了较准确的拟合和预测结果，通过对比三个模型的结果，发现多元线性拟合结果最准确，平均相对误差和均方值误差最小，分别为0.0266和0.0085。应用非线性拟合技术对苋菜红在0ug.ml-1~5ug.ml-1浓度范围内330nm和542nm处的同步荧光峰值强度和浓度的关系进行了拟合，同样建立了三个非线性拟合模型。三个模型均取得了较准确的拟合和预测结果，通过这三个非线性模型的对比，发现多元非线性拟合模型结果最准确，平均相对误差和均方根误差分别为0.0197和0.0144。将径向基神经网络和同步荧光光谱相结合实现了对食用合成色素的定量检测。应用小波变换对同步数据进行了降噪处理，将样品的整个荧光光谱作为径向基神经网络的输入。首先，实现了对于苋菜红的定量检测，在高斯方差为2.95的时候，预测样本均方值误差最小，为0.0117，此时预测样本的平均相对误差为0.0123。然后，实现了对于酸性红和新红混合溶液中各组分的同时定量检测。通过分步设计，建立了基于同步荧光光谱和径向基神经网络的混合溶液的各组分同时定量检测的方法，通过大量的预测数据对网络进行测试，最终结果为，在高斯方差为2.29时，测试样品的均方根误差为0.4745，平均相对误差为0.0338。利用径向基神经网络和同步荧光光谱技术讨论了酸性红和新红的混合溶液同步荧光光谱强度和溶液浓度的定性函数关系。通过对酸性红和新红的预测区间的划分和区间中一定的测试样品的放置，建立了一种简单、有效的选取径向基神经网络训练样本的方法。