本文通过近红外光谱技术结合化学计量学手段分别对食品、饲料和复合肥等多组分含量的快速检测以及模型识别判别分析进行了较为深入的方法研究。文中所建立的方法成功应用于产品分析和质量控制,发挥了近红外光谱技术快速、准确和实用的优势。同时,化学计量学方法在具体问题的解决中,也得到发展。由于产品中成分复杂,相互干扰严重,用于分析的近红外光谱吸光度差异通常很小、信号弱、吸收峰之间混叠,且谱峰宽。以致于找不到待测组分不受任何干扰的特征峰,使对产品中多组分同时定量和识别分析较为困难。为此,提出了PLS,KPLS, PLS-BP, GRNN和ELMAN方法建立线性和非线性多组分定量模型和PCA-马氏距离建立模式识别模型,本文的主要研究内容如下：1、偏最小二乘近红外光谱技术在多组分分析中的应用与研究本文建立了近红外光谱PLS法对瘦肉7种脂肪酸含量测定的方法,在建立PLS模性时,需对采集的原始光谱进行数学处理,以过滤噪音、提高信噪比。实验表明,光散射是影响近红外光谱的主要因素。同时,PLS提取主成分时,因其能同时将因变量矩阵和自变量矩阵用主成分表示,可以有效地降维,消除自变量间可能存在的复共线关系,而明显改善数据结果的可靠性和准确度。本研究还用核函数建立以复合肥中N、P2O5、K 2O三组分为对象的KPLS非线性多组分模型,KPLS通过非线性映射到高维数空间提取了光谱中掩藏的非线性信息。相对于PLS线性体系,KPLS对多组分的含量预测准确度和相关性都有提高。尤其对P2O5、K2O含量的预测提高更明显。2、偏最小二乘与BP神经网络用于近红外光谱技术多组分定量分析研究为解决BP网络过拟合、以及学习速度慢等问题,用PLS对输入BP网络的光谱数据进行压缩,建立了PLS-BP法同时测定饲料中水分、灰分、蛋白质、磷四组分含量和饲料中四种氨基酸含量的方法。与BP法比较,PLS-BP输入网络的数据减少,大大提高运算速度和减少训练次数,模型的预测精度也好于BP模型。本研究还提出了用PLS提取光谱X和组分Y的主成分及权重,解决近红外光谱BP模型隐含层节点数,输入和输出层初始权值凭经验选取问题。建立了以土豆中粗纤维、淀粉、蛋白质三种营养组分含量的PLS-BP近红外光谱多组分预测模型,这种经PLS和BP组合的网络较BP网络改进了训练效果,使得运算速度加快,网络达到最优,精度也更高。这一研究对近红外光谱BP网络结构的建立,具有一定的理论和指导意义。3、偏最小二乘与广义回归神经网络用于近红外光谱技术多组分定量分析研究提出了将GRNN方法引入近红外光谱多组分分析中,用PLS对输入网络的光谱数据进行压缩,建立了饲料中水溶性氯化物、粗纤维、脂肪三组分含量测定方法。PLS-GRNN与BP、GRNN网络进行比较,PLS-GRNN, GRNN模型训练步数要明显少于BP网络,训练时间也短。PLS-GRNN要比GRNN和BP网络的预测精度和拟合性能更好。应用该法还成功预测了南丰蜜桔总糖、总酸含量,这一研究为近红外光谱多组分分析提供了一种新的途径。4、基于Elman神经网络的近红外光谱技术多组分定量分析研究发展了Elman网络与近红外光谱分析技术的结合,提出把具有动态信息处理能力的Elman网络模型引入近红外光谱多组分分析中,经PLS压缩提取主成分,加入内部反馈信号,增加了Elman网络本身处理动态信息的能力,使得Elman网络在节点结构更简单,从而提高了建模和预测速度。在饲料苯丙氨酸、赖氨酸、酪氨酸和胱氨酸四组分含量测定中,对BP和Elman网络进行了比较,在BP和Elman两模型学习误差相同,Elman网络拟和残差平均值MRE也不如BP模型下,Elman网络网络预报精度却高。说明ELman网络对动态系统具有适应时变特性的能力。应用该法还成功预测了鲜乳中脂肪、蛋白质、乳糖含量,表明Elman神经网络是一种新颖、可靠的预测方法。这为同时测定近红外光重叠的多组分动态非线性体系提供了新的途径。5、近红外光谱技术联用PCA-马氏距离对掺假乳的鉴别以PCA-马氏距离近红外光谱法建立了巴氏杀菌乳和复原乳、鲜乳和分别掺有植物奶油、乳清粉假乳的判别分析模型。确立了最佳建模条件,对掺假复原乳0.50%-100%,植物奶油0.50%-10%,乳清粉0.20%-3.3%的样品判别成功率达100%。为鉴别掺有植物奶油和乳清粉的假乳探索了一个新方法。