木材是国民经济中至关重要的可再生原材料，也是必不可少的生活资源，基于近红外光谱技术的木材识别能够快速、准确、无损的对木材进行判别分类，能够满足市场中对木材进行快速分类的需求，在划分木材质地、鉴别木材真伪、规范木材市场秩序等方面发挥重要作用，同时在合理利用木材以及林木定向培养等方面发挥了一定作用。本研究主要建立包含50种市场常见木材树种的近红外光谱识别模型，在所建立的识别模型基础上对影响木材近红外光谱识别技术的因素进行探讨，主要包括木材样品的选择、外界环境的控制以及光谱数据与建模方法的选择，最后从木材物理、化学和微观构造特征三个方面与其近红外光谱之间的关系来初步探讨木材近红外光谱识别技术的机理。本文旨在为基于近红外光谱技术的木材识别的进一步改进与完善提供技术支持。结合以上研究内容，本研究得到的结果如下：（1）本研究采集了50个市场常见木材树种的近红外光谱，利用光谱仪器附带软件IndicoPro Version3.1中的快速分类功能对未知样品进行快速识别，正确率为95.7%。为进一步探讨木材近红外光谱识别的效果，将光谱数据结合PLS-DA和SIMCA方法建立了两个木材识别模型，模型预测未知样品的正确率分别为94.7%、84.3%，近红外光谱技术可以对木材进行快速分类，但在技术上还需进一步的改进和完善。（2）本研究对影响木材识别的木材样品变异进行了探讨，结果表明，木材横切面光谱数据所建立的模型效果优于木材径切面与弦切面光谱数据所建立的模型；树干下部和中部的木材样品所建立的模型优于树干上部的木材样品；心材样品所建立的木材识别模型效果要优于边材样品。在进行未知样品预测时，为保证预测正确率，预测样品的条件应与建模样品一致。（3）木材样品含水率为12%左右时，所采集的光谱数据建立的模型效果最好；样品表面经模拟日光照射处理后，表面老化对木材识别模型有所影响，应尽可能选用新鲜木材切面的光谱数据建立模型；表面光滑的木材样品所建立的模型效果优于表面粗糙样品所建立的模型，在建立木材识别模型时，最好保证样品表面粗糙度参数Ra不高于12.5μm。（4）在建立模型时，光谱范围在400~2500nm处所建立的模型效果最好，且为了压缩数据，将10个点的光谱数据进行平均后建模，模型效果并无降低，为了减少数据运算，可以将数据进行压缩；对采集的光谱数据进行预处理后发现模型效果并无提高，在建立模型时，使用样品原始光谱即可；经比较PLS-DA和SIMCA两种方法进行建模，两模型预测未知样品的正确率分别为100%和88.6%，系统条件下，应优先选择PLS-DA方法建立模型。（5）本研究分别从木材物理、化学和微观构造特征三个方面对木材近红外光谱识别机理进行了初步探讨，木材物理性质中的密度、光泽度与其近红外光谱之间的相关系数分别为0.98、0.91，表面颜色参数L、a、b与其近红外光谱之间的相关系数分别为0.98、0.98和0.96，呈高度相关（当相关系数R>0.80时为高度相关，当0.50<R<0.80时为显著相关）；木材主要化学成分的基团在近红外光谱区域有吸收峰；另外，不同微观构造特征的木材与对应的近红外光谱吸收之间存在一定的规律。木材近红外光谱特征中能够反映与木材识别要素有关的木材物理、化学以及微观构造等特征的信息，这为木材近红外光谱识别机理的解释提供了依据。