偏最小二乘算法(Partial Least Squares,PLS)作为一种红外光谱定量分析多元校正技术,被广泛的应用到制药,食品,石油化工等诸多领域。然而,其对增量获取的样本建模时,必须将所有的数据都准备好,当增加新的数据时,需要抛弃以前的学习结果,对原有数据和新数据进行重新训练和学习,这样会导致大量时间和空间资源的消耗。针对上述问题,本文提出一种基于系数误差逐渐调优的增量偏最小二乘回归(Increment Partial Least Squares based on Gradually Tuning the Error of Regression Coefficient,IPLSR)算法。它可以有效解决现有技术中存在的问题,当检测到新数据时,不在抛弃已有模型,而是在已有模型的基础上用新来样本点对模型进行更新。本文的主要工作和贡献如下:(1)提出了一种基于增量偏最小二乘算法的样品成份测定方法。在分析了传统偏最小二乘算法进行增量样品成份测定时存在的不足后,该算法采用近似梯度下降方法更新IPLSR的回归系数,设定一个阀值作为该算法更新的标准,用于增量红外光谱数据的建模过程。通过计算IPLSR和PLSR处理增量数据时的时间复杂度,可知,IPLSR处理增量数据的时间复杂度要比PLSR的时间复杂度降低一个时间复杂度,所以从理论上可得出,IPLSR处理增量数据的时间会少于PLSR处理增量数据的时间。用IPLSR算法对谷物,草和土壤数据集进行仿真实验,实验结果表明:增量算法的预测精度相比传统算法得到了改善,同时节约了运行时间。(2)单独给出了增量偏最小二乘算法中阀值δ的确定方法,该方法采用K-折交叉验证的方法选取最佳的阀值参数。(3)给出了基于该算法的芍药苷浓度预测方法。实验结果表明:虽然两种方法对回归系数的更新过程不同,但是,增量算法与传统算法获得的回归系数走势基本相同,说明二者建立的模型相似;增量算法的预测精度相比传统算法得到了改善,说明增量算法具有更高的预测性能;增量算法的运行时间相比传统算法更少,说明该算法具有更高的效率。可见,该增量算法在仿真实验和实际的过程分析过程中能够有效地处理增量数据,而且预测精度、能力和算法效率方面相比传统算法都有所改善。