纸制品参数是造纸行业产品质量评价与控制的依据。然而,行业现有的检测方法并没有与不断更新的科学发展并驾齐驱。由于大多数纸制品参数评价问题都涉及到复杂的多变量,传统的方法已无法满足对纸品质量进行综合评价的要求。机器学习是现代先进的计算机数据分析方法,最大特点的是它具有自我学习能力,可以通过模拟人的学习行为来使算法的适应性得到提高,在计算的过程中不断学习,以增强准确性。到目前为止提出了大量适应于不同学科领域和不同问题的算法,比如,神经网络、支持向量机等等,都是非常典型的数据分析处理方法。因此将机器学习算法应用于纸制品参数评价中,利用机器学习算法善于处理复杂数据、建立相关关系等特性,以此实现对纸制品参数评价研究是十分具有意义的。本文的主要研究内容有:采用Matlab商业数学软件建立模型和Lab VIEW图形化编程软件编写程序,编译便于理解操作的界面;建立了基于自动纠偏技术建立纸品中可迁移荧光增白剂含量的检测方法:通过数学计算扣除干扰物光谱的影响,计算样品中荧光增白剂(FWAs)的含量。该方法的相对标准偏差为3.7%;回收率在99.1%～107%之间,可用于快速测定未知干扰纸制品中可迁移性荧光增白剂含量,灵敏度高,结果可靠;建立了基于生命周期法的纸尿裤“绿色度”评价模型:针对多指标量化分析模型建立的需要,对纸尿裤成品、原料和工艺中众多评价参数指标进行选择,采用AHP模型建立纸尿裤“绿色度”评价模型,为纸尿裤质量好坏与安全等级的检测提供了一种快速、可靠的评价方法;建立了基于PCA和BP神经网络技术的生活用纸中纤维品质的识别模型:该模型通过结合传统检测方法和现代先进PCA-BP神经网络模式识别方法,综合评价生活用纸纤维品质;结果表明,基于改进后的识别模型对大批量和复杂的生活用纸具有更快的识别速度和更好的识别能力;建立了基于多变量分析的纸张相似性聚类模型:主要通过PCA和经典K-means聚类的算法,对同种不同品质的纸品聚类,并采用不同评价指标反复校正结果。以上这些新方法的开发,对于提高纸品质评价的客观性和准确性,以及产品性能的综合评价,提供了新的手段。