近红外光谱因其快速无损的分析特点在农业、食品、药品等行业都取得了广泛的应用。近红外光谱虽然可以同时获取样品的理化信息，但光谱之间相似度高并具有重叠现象，所以仅仅通过近红外光谱分析技术很难实现样品的定性分析，化学计量学方法对解决该类问题起到了关键的作用。为了能够进行定性分析就必须从含有大量冗余信息的近红外光谱中提取尽可能多的分类信息。为此，本文利用主成分分析（PCA）对近红外光谱进行降维简化，然后利用线性判别分析（LDA）方法鉴别出含不同非法添加剂的减肥类保健食品。但是，由于LDA中的判别矩阵并不是正交的，所以可能从光谱中提取出重复的信息从而得不到正确的分类结果。为了解决这个问题，本文构建了正交判别矩阵的最优集以求提取出尽可能多的有用信息，并通过识别不同类的中成药验证了其有效性。　　本研究主要内容包括：⑴主成分分析-线性判别分析（PCA-LDA）用于减肥类保健食品的聚类分析。主成分分析（PCA）具有数据压缩的功能，因此可以用于降低近红外光谱的维度。在线性判别分析（LDA）中，通过最大化判别函数找到最佳的分类方向并由此从数据中提取出更多的分类信息。在本文中利用无任何非法添加剂、添加了酚酞、添加了西布曲明、添加了酚酞和西布曲明的四种减肥类保健食品验证了PCA-LDA的有效性。结果表明，与传统的PCA相比，PCA-LDA可以实现更好的分类效果并能正确地鉴定出所有的样品。⑵近红外光谱结合主成分判别转换用于中成药的判别分析。采用PCA对数据进行降维简化，从而减少数据中存在的冗余信息。然后通过最大化Fisher判别函数构建正交判别矩阵的最优集，从而强化不同类别光谱之间的差异。另一方面，为了提高模型的质量，CWT作为一种预处理手段被用于扣除近红外光谱的背景。在本文中，利用不同厂家的同一种药验证了这个方法的准确性。结果显示，所有的模型都可以实现100％正确的判别结果。