目前可穿戴式医疗设备越来越普及，这种设备要求的不仅是测量的精度，它对测量的实时性也有着相当严格的要求。但目前动态光谱的提取方法运算速度存在一定的差异，为了提高动态光谱提取的速度以达到实时性的要求，本研究在差值法的基础上提出了一种新的动态光谱数据提取算法。将对数脉搏波每个波长上的单周期面积作为动态光谱的特征值，这种仅利用加减运算的算法可以极大地提高运算的速度。同时，又提出一种新的基于条件数cond的样本自动筛选方法。然后，将本方法与差值法和目前最常用的单沿法对比。实验结果表明，本方法的建模精度与单沿法的建模精度相似，相关系数均为0.8，而均方根误差可以控制在10％，二者的建模精度均明显好于差值法，这足以证明本方法的可行性。但新方法所用的提取时间仅为单沿提取法的17，这极大地优化了提取时间，为移动便携式设备的实时监测提供了更大的可能性。　　在基于光谱的化学成分建模分析中，人们往往忽视了一个事实。当一个被测物质含有多种成分时，其内在的不同成分的浓度分布会给被测成分带来一定的影响。在这种测量背景下，“M+N”理论为提高化学成分建模分析的模型稳健性提供了一种新的思路。本实验以基于动态光谱的单沿提取法的建模分析为例，提出了一种基于“M+N”理论的校正集样本选择方法。实验中仅将血液中两种浓度含量最大的成分即血红蛋白与总蛋白的浓度分布范围作为“M”因素。将总蛋白视为影响因素，通过考虑总蛋白对光的吸收作用来分析非被测物质的浓度对被测物质的建模带来的影响。采用实验对比的方法，构造了三组不同的校正集与预测集样本的分布方式。实验结果表明，保证校正集样本的血红蛋白浓度分布覆盖预测集的校正集样本选择方法与随机选择校正集样本的方法相比，模型整体的性能都有显著提高；而考虑到总蛋白的吸收作用则可以将预测集相关系数在只考虑血红蛋白浓度分布的基础上提高8.03%，将均方根误差减小15.41%。实验结果验证了“M+N”理论指导基于光谱的化学成分分析可以取得更好的效果。