近红外光谱技术以其分析速度快、效果好、成本低、无污染等优点,在许多领域被广泛应用。本工作利用近红外光谱结合化学计量学方法,对混纺面料成分的检测进行了深入研究,在棉涤和棉毛样品的制备、近红外光谱数据的采集、数据的整理、预处理及各种模型的建立、模型的升级等方面做了大量工作,最终达到了预期的目的,取得了比较满意的效果。(1)详细介绍了近红外光谱分析的基础理论,研究了近红外光谱检测方法、分析流程、光谱数据的预处理技术和定量分析方法;(2)设计了混纺面料傅立叶近红外光谱检测的实验方案,进行了从样品制备、光谱数据采集,到数据预处理和校正模型建立整个实验过程的研究,初步确定实验具体实施的各个环节;(3)根据设计的实验方案,制备棉涤和棉毛两种纤维样品,将每种样品分为校正集(41个)、验证集(10个)和预测集(5个)三类,并采集近红外光谱数据,为后面数据的预处理、模型的建立做好准备;(4)根据近红外光谱的数据预处理技术,将采集到的光谱数据根据其自身的特点进行数据整理,选择分析的光谱区域,采用小波变换的方法对分析谱区的光谱数据进行消噪和压缩处理,利用主成分分析方法降低数据维数,并优化所得数据,预处理的结果大大减少了数据量和改善了数据质量;(5)建立线性和非线性模型。依次建立的模型有:多元线性回归模型(MLR)、主成分回归模型(PCR)、主成分分析和BP神经网络相结合的模型(PCA-BP)、小波变换和神经网络相结合的模型(WT-ca3-BP、WT-ca4-BP、WT-ca5-BP),其中前2种归为线性模型,后4种归为非线性模型。同时建立模型的评价体系(绝对误差AE、绝对平均误差MAE、标准差RMSE)为分析和评价校正模型提供理论支持。(6)比较所建模型,分析得出:线性模型原理简单,有助于理解近红外分析的基本原理;非线性模型的预测精度明显优于线性模型,并且灵活度高,尤其是小波变换和神经网络相结合的模型WT-ca3-BP(41-17-2)预测精度最高,棉涤的MAE在1.8%以内、RMSE在2.4%以内,棉毛的MAE在2%以内、RMSE在2.5%以内,此模型最适合用来对未知样品进行预测。在不改变WT-ca3-BP模型结构的情况下,将41个校正集和10个验证集样品合并作为新模型的校正集,将模型进行升级,升级模型预测精度更高,效果更加理想。最后利用升级模型对5个未知样品进行预测;(7)分析误差产生的来源,确立混纺面料成分的傅立叶近红外检测体系。