本论文共分为六章。主要研究了将化学计量学方法引入植物油分类，对不同质量的油脂进行鉴别。研究了把化学计量学技术与分光光度法、荧光光谱法相结合，应用于食用香料、农药和兽药复杂多组分体系重叠光谱解析和同时测定，拓宽了化学计量学方法的应用范围。 第一章对几种常用的化学计量学方法如模式识别(PatternRecognition)、多元线性回归(MLR)、主成分回归(PCR)、偏最小二乘法(PLS)、卡尔曼滤波(KF)和人工神经网络(ANN)等近年来在食品分析中的应用进行了回顾和概述，并根据荧光法和分光光度法的特点及化学计量学方法对复杂光谱(组分间相互重叠光谱)强有力的解析能力，指出了化学计量学方法在食品分析中的应用前景。 第二章研究了把化学计量学方法引入食用植物油分类和质量鉴别。采集61个豆油和菜籽油样品，其中豆油样品32个(含25个合格豆油和7个掺伪豆油)，菜籽油样品29个(含15个合格菜籽油和14个酸败菜籽油)。选择密度、折光率、酸价、色泽、水分及挥发物、皂化值和过氧化值等7个常规理化指标作为变量并进行测定，将测试数据在进行统计分析前作标准化预处理，使各原变量的均值为0，均方差为1，采用多种化学计量学方法，如主成分分析、聚类分析、偏最小二乘法和人工神经网络等对所测数据矩阵进行处理，结果表明，经奇异值分解后，样品的前三个主成分累计方差贡献率为80.67％，其中主成分1占总方差贡献率的54.49％，主成分2占15.18％，主成分3占11％，这三个主成分已含样本的大部分信息量。色泽、酸价和皂化值在主成分1中起决定作用；折光率和密度对主成分2贡献显著，水分及挥发物在主成分3中起主要作用。从二维得分图(PC1～PC2)和前三个主成分构成的三维得分图(PC1～PC2～PC3)均可发现，61个油样直观清楚地分辨成四组，即合格豆油组、掺伪豆油组、合格菜籽油组和酸败菜籽油组，只有两个菜籽油样品出现误判。研究还发现变量与样品鉴别具有相关性。色泽、酸价和皂化值是豆油与菜籽油区分的主要因素；密度和折光率决定了合格豆油与掺伪豆油的鉴别；酸价、色泽和过氧化值是合格菜籽油与酸败菜籽油鉴别的主要因素。根据各样本之间的欧氏距离大小构成的亲疏关系谱系图显示，聚类分析也基本能够把四种不同质量的植物油鉴别开来。 通过随机抽取一定数量的植物油样本(7个变量组成数据矩阵)作为训练集样本，建立偏最小二乘法校正模型和训练径向基人工神经网络(RBF-ANN)参数，然后用建立的PLS、RBF-ANN模型分别对训练集和测试集样本进行分类鉴别，以此考察方法的识别率和预报能力。研究分四种情况展开：①豆油-菜籽油区分；②合格豆油-掺伪豆油鉴别；③合格菜籽油-酸败菜籽油鉴别；④合格豆油-掺伪豆油-合格菜籽油-酸败菜籽油鉴别。结果表明：在豆油-菜籽油的分类中，两种方法的识别率和预报能力均为100％。在对合格豆油-掺伪豆油进行鉴别时，RBF-ANN校正模型对训练集和测试集所有样本均能正确识别，识别率和预报能力均为100％；PLS模型能够正确地分辨测试集全部样本，但对训练集合格豆油识别时，出现一个样本误判。对合格菜籽油-酸败菜籽油进行鉴别时，均取得了满意的结果，正确率为100％。在同时鉴别合格豆油、掺伪豆油、合格菜籽油及酸败菜籽油四种不同质量油时，RBF-ANN对训练集和测试集全部样本均能正确鉴别，识别率和预报能力都是100％；而PLS法除了训练集与测试集各有一个菜籽油样本区分出错外，能对其余样本进行正确分辨。表明以本研究所选定的理化指标作变量进行分析，PLS与RBF-ANN法都能够较好地同时鉴别这四种不同质量食用油。因此，我们认为研究中所选择的分析变量比较合理，方法可行。 第三章研究了多元校正和人工神经网络等化学计量学方法与光度法结合，解析光谱严重重叠的麦芽酚、乙基麦芽酚、香兰素和乙基香兰素四种香料，并对该四组分同时定量分析。考察了酸度对吸引光谱的影响，发现在Britton-Robinson(B-R)缓冲溶液酸性范围内(pH2～6)，四种香料的光谱形状和最大吸收峰没有发生变化，且各自吸光强度基本相同；在碱性范围内它们的吸收峰发生红移，表明酸度对香料的存在形式产生了影响。选择pH2.87B-R为缓冲介质，对四种香料进行同时测定，在优化的实验条件下，麦芽酚、乙基麦芽酚、香兰素和乙基香兰素单组分浓度的线性范围均为1.0～20.0mg·L-1，检出限分别为：0.39mg·L-1、0.56mg·L-1、0.49mg·L-1和0.38mg·L-1，相关系数在0.9996～0.9998之间。由于四种香料吸收光谱重叠非常严重，经典的方法难以对其同时定量。本研究采用了多元校正、人工神经网络等多种化学计量学方法对光谱重叠的香料两组分、三组分和四组分体系进行解析。通过对四组分模拟样品的研究得出：径向基人工神经网络、主成分回归、偏最小二乘法、光谱数据进行一阶导数处理的主成分回归(DPCR)和偏最小二乘法(DPLS)，能较好地分辨四组分重叠光谱，分析结果较好，相对预报误差(RPET)＜10％。其中RBF-ANN对复杂四组分体系的光谱解析能力最强，给出了最好的分析结果，RPET为4.4％，回收率为97.0％～104.6％；其次为PLS和PCR模型，RPET均为7.7％，DPCR和DPLS法的RPET分别为9.1％和9.4％。光谱数据进行一阶导数处理的经典最小二乘法(DCLS)、经典最小二乘法(CLS)和卡尔曼滤波三种方法的解析能力较差，分析结果不够理想，RPET＞18％。用建立的RBF-ANN、PLS辅助光度法对实际样品中四种香料直接同时测定，得到满意结果。 第四章同步荧光结合化学计量学解析诺氟沙星、盐酸洛美沙星和乳酸左氧氟沙星三组分。考察了在不同介质中三种药物的同步荧光行为。发现在Britton-Robinson(B-R)碱性溶液中，三种药物的同步荧光强度均较弱，随着酸度增加，荧光显著增强，在pH2～4时，出现强的荧光发射峰。研究了在pH2.87B-R缓冲溶液中，同步荧光波长差△λ(△λ=λem-λex)对荧光强度的影响，发现随着△λ增大，三种药物的同步荧光强度逐渐增大，当△λ增大到一定的值，荧光峰降低，实验选择△λ=190nm进行三组分同时测定。诺氟沙星、盐酸洛美沙星和乳酸左氧氟沙星的浓度线性范围分别为0.016～0.368μg·ml-1、0.01～0.272μg·ml-1和0.01～0.272μg·ml-1；检出限分别为0.013μg·ml-1、0.0060μg·ml-1和0.0072μg·ml-1，相关系数在0.9995～0.9998之间，线性关系较好。由于这三种氟喹诺酮类药物荧光光谱重叠严重，研究中引入了多种化学计量学方法来分辨重叠光谱，并对它们的分辨能力进行比较。结果表明，在该三组分体系中，KF、CLS、PCR、PLS和RBF-ANN5种模型均能较好地分辨重叠光谱和预报各组分浓度，其中PCR和PLS预报结果最好，RPET均为3.6％，随后依次为RBF-ANN、KF和CLS算法，它们的RPET分别为4.1％、6.0％和6.1％。方法简便、准确、灵敏度较高，应用于鳗鱼样品中药物残留检测，结果满意。 第五章采用同步荧光法同时测定西维因和蝇毒磷二种农药。研究了西维因和蝇毒磷在不同Britton-Robison缓冲介质中的内源性荧光特性，发现在pH为2～9时，它们的荧光强度较大且基本稳定、荧光峰波长不变；当pH＞10时，荧光强度均急剧下降，至pH=11.58时，荧光几乎完全猝灭，表明在强碱性条件下，农药水解成无荧光产物。研究得出西维因和蝇毒磷重叠荧光光谱分离的最佳同步荧光波长差为△λ=60nm。通过对不同浓度组成的两种农药进行测定，得出在pH=3.0B-R缓冲溶液中，△λ=60nm时，同步荧光法能够消除组分间相互干扰，满足同时定量分析的需要。合成样品分析结果表明，西维因和蝇毒磷同时检测的相对标准偏差(RSD)＜3％，回收率在92.3％-101.6％之间，检出限分别为0.015μg·ml-1和0.010μg·ml-1，灵敏度较高。该法用于蔬菜、水果、大米和水样测定，结果良好。 第六章主要是对本研究工作进行总结。