本文利用毛白杨样本和相思树样本的某些化学实验数据以及它们的近红外光谱数据,以多模型方法为核心工具,分别建立了毛白杨样本的a-纤维素含量近红外光谱分析模型、毛白杨样本的木素含量近红外光谱分析模型、相思树样本的苯醇抽提物含量近红外光谱分析模型,具体情况如下：1.用多模型方法建立了毛白杨样本的α-纤维素含量近红外光谱预测模型,并研究了光谱数据的平滑预处理、一阶导数预处理、二阶导数预处理以及不同预处理方法的组合对模型预测效果的影响。结果表明：二阶导数预处理与平滑预处理相结合是最好的预处理方法,此时α-纤维素含量预测结果的拟合优度达到0.9308,预测值与实验值之间的相关系数达到0.9648。2.用多模型方法分别建立了毛白杨α-纤维素含量和木素含量的近红外光谱分析模型。然后根据α-纤维素含量与木素含量之间的近似线性关系,用预测误差较小的α-纤维素含量帮助构建了预测误差较大的木素含量的新预测模型,使木素含量的预测效果得到改进。木素含量预测值与实验值之间的相关系数由0.7473提高为0.7962,木素含量预测值的平均相对误差由5.59%降低为4.67%。3.用多模型方法分别建立了相思树苯醇抽提物含量和克拉森木素含量的近红外光谱分析模型。然后用预测误差较小的克拉森木素含量帮助构建了苯醇抽提物含量的新预测模型,使苯醇抽提物含量的预测效果得到改进。模型的拟合优度从0.7928提升为0.8271,预测值与实验值之间的相关系数从0.9074提升为0.9225。但建模时并不要求所使用的两种化学成分含量之间具有近似线性关系。4.制作了基于多模型方法的α-纤维素含量快速预测软件。在近红外光谱分析研究中,多模型方法是人们现在研究和使用都比较少的一种建模方法,因此本文的研究很有意义。文中关于光谱数据预处理方法的研究可为今后使用多模型方法建立其它近红外光谱分析数学模型提供经验；用预测效果较好的化学成分含量帮助预测效果一般的化学成分含量建立新的预测模型的研究,有望用于某些预测效果一般的化学成分含量,使它们的近红外光谱分析效果得到改进。