近红外光谱(Near Infrared Spectroscopy,NIR)信号代表着物质的成分或浓度,NIR分析技术因其快速、无损、成本低等特点,在食品、农产品、医药生物等行业得到广泛应用。偏最小二乘回归(Partial Least Squares Regression,PLSR)是一种常用的近红外光谱校正模型,用来对样本的浓度或成分含量进行预测。PLSR依据交叉验证采用截断的方式选择潜变量时,舍弃的潜变量有时也对某些成分的测定有重要影响。为此,本文提出了潜变量优化选择的方法,并给出了基于潜变量优化选择的偏最小二乘回归算法(Partial Least Squares Regression Based on Optimal selection of Latent variables,LOPLSR),主要用于对近红外光谱数据的浓度或成分进行预测。本文主要创新工作如下:首先,提出一种潜变量优化选择方法,并给出了基于该方法的PLSR算法。该算法的基本思想是找到与标定物正相关潜变量,去除与标定物负相关潜变量,从而提高预测精度。把训练样本集分为训练集和标定集,运用原PLSR算法求得训练集各潜变量、投影矩阵、载荷、使预测精度下降的潜变量数,再通过求得的投影矩阵不断更新,得到标定集的得分。根据训练集的载荷、标定集的得分对物质浓度或成分进行预测。分别采用两种不同的红外光谱数据Grass和OrangeJuice进行PLSR和LOPLSR对比实验,其中最优潜变量的选取采用交叉验证方法得到,实验表明,改进的LOPLSR算法比原始的PLSR算法预测结果更加准确,最低提高了 24.9%。其次,给出了上述算法中潜变量权重的设置方法。本文算法根据得到的权值矩阵不断更新求得标定集的潜变量,最后把使预测精度下降潜变量数的训练集载荷和标定集得分分别乘以权值0,否则乘以权值1,直到运行完毕,则可以得到一个有关权值的对角阵。在此过程中,剔除了使预测结果变差的潜变量,因此预测精度会在一定程度上提高。最后,给出了基于该算法的芍药苷浓度和肉类成分检测方法。由肉类成分和芍药苷浓度检测的实例分析的结果表明LOPLSR算法相比传统的PLSR算法有更好的预测精度,说明LOPLSR算法在实际应用中能够对肉类成分和芍药苷浓度进行检测,并且比PLSR算法拥有更好的预测效果。