傅立叶变换红外(FTIR)显微成像技术是在红外光谱技术基础上发展起来的一项新兴并十分具有潜力的微区分析技术,其主要优势在于成像干扰小,无损检测,直观可视,并能实现对活体组织的原位分析。常用的传统微区化学分析方法费时,破坏样品的原始化学结构,且对研究人员的操作技能依赖度较大。因此,近几年,FTIR显微成像技术在食品药品检测,临床诊断、文物鉴定等领域受到了广泛关注。本文主要研究红外多光谱显微图像信息提取方法,以实现复杂样品中感兴趣组分分布信息的提取和检测,这对辅助病理分析及食品品质分析等均有现实意义。本文重点研究基于主成分分析和最小二乘支持向量机的红外多光谱显微图像信息提取方法。作为信息提取的前期准备,文章首先简要介绍了FTIR显微光谱仪的基本原理和样品制备方法,详细讨论了适合不同数据的预处理方法,并通过兔子动脉切片和小麦种子切片两组实验验证了算法的有效性。随后,本文深入探讨了主成分分析法,并针对感兴趣组分信息的特点,讨论了基于郎伯一比尔模型的主成分分析法(Lamber Beer PCA,简称LPCA),该算法通过计算载荷向量与标准样品谱线相似度来筛选目标特征,在挖掘化学信息的数据结构上具有优势。并针对LPCA算法在处理大样本问题时存在的全局算法固有缺陷,引入数据源划分思想及特征峰判决条件加以改进,实验结果表明,改进算法提高了运算速率并突出了隐含局部信息。然后,在简要介绍常用分类器基础上,重点讨论了最小二乘支持向量机的分类原理、训练样本及模型参数选择策略。并针对红外显微图像目标特征先验知识匮乏的特点,提出了人机交互的训练样本选取方法,从而可以更灵活准确地构建分类器训练集,经实验验证,该方法可以有效提高分类精度,实用性较强。最后,结合两组实验,在算法效率、分类精度、及结果稳定度等方面,对改进算法与现有算法进行性能测试。实验结果表明,改进算法具有较好的分类精度及运算效率,适用于多光谱显微图像的感兴趣信息提取,对处理大规模样本具有优势,有一定推广能力。