拉曼光谱是一种分子振动光谱,凭借其快速、无损等特点,被广泛应用于食品安全、生物医学、药物化学等领域的定性分析中。定性分析的首要目标是正确识别组分。然而,受环境等因素的影响,拉曼光谱容易产生一些非线性变化,如谱峰漂移、展宽或畸变等,使组分识别变得困难。另外,随着时间的推移,由于仪器老化等原因,过去采集的光谱可能将不再满足现在的统计分布,导致原本的识别算法失效。为解决这些问题,本文对光谱组分识别的相关方法进行了探究,并编写了配套的在线识别软件。本文的主要工作内容如下:提出了一种基于卷积去噪自编码器的单光谱去噪方法。该方法首先向光谱中注入噪声,获得高低信噪比匹配的训练数据,然后配合贪心逐层无监督预训练得到一个适用于光谱的卷积去噪自编码器,最后该其用于预测以达到去噪目的。该方法能够自动化地完成去噪,且效果优于传统算法。提出了一种基于奇异值分解和中位数绝对偏差的多光谱去噪方法。该方法首先对多条光谱进行奇异值分解,然后采用中位数绝对偏差法筛选出具有离群特征的前k个奇异值,最后采用这些奇异值进行重新求解得到去噪后的光谱。该方法适合用于成像数据的处理,且对成像质量有很大的提高。提出了一种基于多任务卷积基和非共享卷积神经网络的在线拉曼光谱组分识别方法。该方法首先通过标签均匀的生成数据训练获得多任务卷积基,然后将其冻结并迁移到用于识别感兴趣组分的非共享卷积神经网络中,得到初始模型;最后配合在线学习的方式对模型进行不断调优,实现模型的识别性能提升。该方法在小样本上拥有较为良好的泛化能力,配合在线学习也克服了光谱数据的时效性问题。编写了前后端分离的拉曼光谱组分识别软件。软件由TypeScript和Python编写,并实现了本文提及的所有算法和一些常见的光谱预处理算法。