在工程应用中，设备的工作温度是一个重要参数。示温漆常被用于航空发动机等复杂设备的温度测试，在生产和科研中应用广泛。示温漆的颜色随温度变化会发生不可逆转的改变，将试验件与示温漆标准样板的颜色进行对比可以判读其经历的最高温度。目前示温漆的温度主要由技术员人工判读或用图像判读，但是图像判读方法存在图像采集工作量大、判读时间成本高、应用场景受限、易受环境光影响和判读精度低等缺点。为了克服上述缺点，提高判读准确率，本文在分析示温漆变色特性的基础上，研究了示温漆经历的最高温度与示温漆漫反射光谱之间的对应关系，提出基于示温漆漫反射光谱的温度判读方法。
　　本文通过对示温漆漫反射光谱数据的采集、光谱数据的预处理、光谱数据的特征提取和光谱判读模型的建立等问题的研究，实现了基于示温漆漫反射光谱的温度判读方法。首先，设计了与Y形反射光纤相适配的探头耦合件完成光谱数据的采集工作。通过设置阈值，剔除掉多次采集的示温漆标准样板光谱数据中的异常样本。然后，通过Savitzky–Golay滤波、标准正态变量变换、多元散射校正和导数等方法对光谱数据预处理效果的对比，确定了最佳预处理方法；结合示温漆光谱曲线的特性，提出了分波段提取统计信息的特征提取方法，通过试验验证了此方法提取的不同温度的示温漆光谱特征区分度高。最后，通过试验对比了K近邻、人工神经网络、偏最小二乘回归、支持向量机和随机森林等多种机器学习算法及模型优化方法对示温漆标准样板温度的判读误差，提出了基于随机森林和Adaboost方法的温度判读模型，其泛化性能强、准确率高。
　　试验表明基于示温漆漫反射光谱的温度判读方法在KN3、KN6、KN8等示温漆标准样板上的温度判读均方根误差均小于8℃，且10℃准确率均在92%以上；在示温漆蝶形样片和涡轮叶片上的温度判读误差基本在±10℃以内，低于图像判读方法。