近红外(Near Infrared,NIR)光谱分析技术具有速度快、效率高、操作简单、无损无污染等特点,广泛应用于食品、发酵、医药等各行业中。应用NIR光谱分析技术的关键在于建立一个有效又精确的模型。但是,受测量环境、仪器、实验水平等影响,传统建模方法存在特征学习能力不足、训练困难等问题,建模效果不理想。深度学习算法具有较好的深层特征表示能力,可以从大量输入中自动学习有效的数据特征,在工业过程数据分析方面具有巨大的应用潜力。本课题在NIR光谱中引入深度学习算法,研究NIR光谱的建模方法,研究内容包括以下方面:(1)近红外光谱数据变量多、冗余大,为了在提取深层特征的同时对光谱数据实现降维,将深度信念网络(Deep Belief Network,DBN)引入到NIR校正建模中。该方法首先利用受限玻尔兹曼机(Restricted Boltzmann Machine,RBM)完成对NIR光谱数据的深层特征提取,然后更改网络顶层的分类层为回归层,实现对NIR光谱的建模分析,建立DBN-PLS预测模型。将所提模型应用在猪碎肉含水量检测及柠檬酸小麦淀粉乳含糖量检测中,并将其与传统PLS方法、BP算法作对比,可以看出DBN模型以及DBN-PLS模型的预测准确性明显优于传统建模方法。(2)通过NIR光谱模型建立理化值与光谱数据之间的相关关系,但由于DBN的无监督预训练机制,学习的光谱数据特征中可能包含大量与目标理化值无关的信息,提出一种基于变量加权的深度信念网络算法(Variable Weight Deep Belief Network,VWDBN)。通过计算目标理化值与各层受限玻尔兹曼机(RBM)变量之间的相关系数,设计加权重构目标函数,使得模型对那些与输出相关的特征变量的提取更为准确。将改进的VWDBN算法应用在柠檬酸小麦淀粉乳NIR光谱数据中,结果表明该方法有效的提高了模型的预测精度。(3)由于设备老化、环境变化等原因,NIR光谱检测存在预测精度逐渐恶化的问题,将即时学习思想引入到DBN模型中,提出一种DBN模型的更新策略。根据当前输入的待测样本,在历史样本库中搜索到与其具有最大相似度的训练样本数据集,再采用DBN建立模型。同时,考虑到传统相似样本的选择只依据输入数据之间的关系,提出利用互信息的方法对即时学习算法进行相似样本选择。首先利用互信息计算输入待测光谱与历史样本库输出之间的相关度,并以此对光谱进行加权度计算相似样本。在柠檬酸小麦淀粉乳中应用所提的基于互信息的即时学习DBN建模算法,结果表明该算法在一定程度上提高了NIR光谱模型精度。