浮游植物在海洋生态环境中起着至关重要的作用。近年来我国工农业发展迅速,海水富营养化加剧,水体中浮游藻类大量繁殖,频繁引发藻华现象,这种现象已经成为海洋生态环境的主要污染。藻华聚集会影响海洋中其它生物的生存,甚至影响人类健康安全和环境发展,所以对藻类种类和数量的测量成为生态环境平衡发展的关键,建立海洋环境监测模型是当前的重要研究内容。因此,本文以浮游植物中的抑食金球藻、小球藻、细长聚球藻为研究对象,将三维荧光光谱技术与波长选择及混合光谱解析相结合,针对模拟海洋环境下的藻种分类展开研究,利用多种方法进行光谱预处理和波段选择,并建立藻种分类模型,实现基于荧光光谱的藻种识别。主要研究内容如下:首先,实验获取了藻种三维荧光光谱数据及其对应的浓度值,抑食金球藻、小球藻、细长聚球藻的纯光谱数据各102组,混合光谱数据300组,并对其进行预处理。运用三角形插值法对光谱数据散射区域重新插值,以此消除水环境下的散射干扰。为消除仪器在测量过程中会受到一些不稳定因素的影响,利用SavitzkyGolay（SG）平滑算法对原始光谱进行数据平滑处理,并比较了不同窗口大小、多项式次数下的处理效果。为了解决在测量过程中因环境和人为因素所导致的数据异常问题,运用马氏距离和浓度残差法来剔除异常样本,根据样本选择合适的阈值。其次,在原始光谱区域下进行波长选择。为了保留光谱区域下的有用信息,去除冗余信息,在减小模型复杂度的同时可以提高模型的精度,采用无信息变量消除算法（UVE）、竞争性自适应重加权算法（CARS）、特征区域结合凸点提取算法（RICPE）对经过预处理的原始光谱进行波长选择,比较了不同算法的波长选择结果。最后,藻种识别模型的建立。采用非负矩阵分解（NMF）算法对混合藻种光谱数据进行组分分解,利用支持向量机算法（SVM）对得到的组分进行识别分析。结合建模方法的原理,将分类准确度和平均运行时间作为模型的评价指标。利用TotalSVM、UVE-SVM、CARS-SVM和RICPE-SVM模型对纯藻种进行分类识别,经过波长选择后的模型性能得到了提高,RICPE-SVM性能最优,验证集平均分类的正确率为95.72%;利用非负矩阵分解原理对选择后的混合光谱进行分解,然后建立UVE-NMF-SVM、CARS-NMF-SVM和RICPE-NMF-SVM模型对混合藻种进行分类识别,比较了各模型的综合性能,RICPE-NMF-SVM相比于前三个模型来说得到了很好的分类效果,验证集平均分类的正确率为93.86%。