激光诱导击穿光谱（Laser-induced breakdown spectroscopy,LIBS）技术具有快速、原位、实时以及多元素同时检测等优点,被广泛应用于环境监测、工业生产及医药食品检测等众多领域。由于LIBS检测技术会受样本性质、仪器设备及环境等影响而引起光谱波动,导致其在定性识别中准确率降低。提高准确率通常依靠硬件设备和数据处理两种方法。硬件设备改造空间小且费用昂贵,而数据处理方法在降低硬件成本的同时还可以提升识别效率。因此,本文通过构建LIBS分类全流程算法,优选出分类精度高、适用范围广、抗干扰能力强的MSC-IGA-SVM（Multiplicative signal correction-improved genetic algorithm-support vector machine,MSC-IGA-SVM）模型,并应用于山药饮片掺假识别和柑橘糖分等级的无损识别中,具体研究成果如下:（1）在LIBS分类全流程算法中,基于光谱数据的预处理、特征提取和模式识别算法的原理分析,优选出MSC-IGA-SVM模型。其中,MSC无需参数优化且能有效降低各类光谱的波动性,IGA能保留特征的非线性关系同时避免局部最优解,SVM具有较强的抗干扰能力和较低的复杂度。因此,在理论分析上优选的MSC-IGA-SVM模型具有更高的分类精度、更广的适用范围和更强的抗干扰能力。（2）针对粉末样本疏松性导致的光谱波动问题,采用本文的分类全流程算法,对山药饮片掺假进行识别。通过使用MSC-IGA-SVM模型来识别山药、参薯和木薯饮片,测试集准确率达100%,可用于解决山药饮片外形相似药材的掺假问题。通过使用MSCIGA-SVM模型来识别八种产地的山药,测试集准确率为97.30%,相比直接使用原信号所建的SVM模型（96.43%）准确率提高了0.87%,解决了山药饮片产地溯源问题。同时,MSC-IGA-SVM模型将每次分类的识别时间从小时级缩短至分钟级。实验结果表明,MSC-IGA-SVM模型在山药饮片识别中,识别准确率和识别时间均获得改善。（3）针对植物叶片表面粗糙不平造成的光谱波动问题,采用本文的分类全流程算法,运用叶子的LIBS光谱无损识别柑橘糖分等级。将MSC-IGA-SVM模型调整为IGASVM模型识别三个等级的柑橘糖分,解决了柑橘糖分等级的高精度无损识别问题。模型调整后测试集准确率从89.60%提升为92.03%,与对原信号识别效果最好的SVM（75.56%）模型相比,准确率分别提高了14.04%和16.47%。通过使用单因素方差分析探究叶子元素对柑橘糖分识别的显著性影响,结果显示叶子中的Mg元素对柑橘糖分识别具有显著性影响。这些结果表明,调整MSC-IGA-SVM模型可以实现叶子LIBS光谱对柑橘糖分等级的精确无损识别。综上所述,本论文通过构建LIBS光谱分类全流程算法,优选出MSC-IGA-SVM模型,能解决光谱波动性、特征冗余和识别率低等问题,并在山药饮片掺假识别的LIBS检测和柑橘糖分等级识别的间接LIBS检测中进行验证,结果表明该模型能有效提高准确率和降低识别时间。本文的算法研究为LIBS的实际应用提供了新方法。