本文以ABS、EVA、HDPE、PBT、PC、PET、PMMA、POM、PP、PPO、PS和PVC 12种常见类型的塑料为研究对象,采用拉曼光谱技术对多种不同塑料进行检测与识别研究,主要内容如下:首先通过拉曼光谱检测技术建立塑料拉曼光谱采集的最佳方法,考察了激光波长、积分时间、共焦孔径以及扫面范围等参数对光谱的影响,优化选择了最佳采集参数,即激光波长为785nm,积分时间为25s,共焦孔径为500μm,扫描范围为200-1800cm^-1。对于热效应强的黑色塑料样本,采用低温测样附件—液氮制冷平台抑制样本的热效应,通过实验分析得到785nm激光波长,功率10mw,积分时间30s为最佳采集条件。然后,对采集到的塑料拉曼光谱数据进行处理,包括光谱预处理和光谱特征提取。光谱预处理主要包括:采用多项式最小二乘拟合法对光谱进行平滑处理,消除噪声,提高信噪比,其中多项式次数为1,窗口大小为3;采用线段组合型基线进行基线校正,消除荧光背景和噪声背景对光谱数据分析的影响;采用最大-最小归一化法对数据进行归一化处理,消除数据量级大小的差异对后续数据分析的影响。采用主成分分析法提取光谱特征,选取累计贡献率为90.45%的前11个主成分的得分作为新的特征变量表征原始拉曼光谱数据,用于后续的建模分析,减少数据量的处理,简化问题的处理难度。最后,对经过处理后的光谱数据建立BP神经网络和支持向量机识别模型。345个样本组成训练集用于建立模型,通过对比分析确定模型的最佳参数。对于BP神经网络模型,最佳网络参数为:输入层节点数11,隐含层节点数8,输出层节点数4,学习速率0.1,误差0.01,训练1000次。支持向量机模型采用[-1,1]归一化数据处理方法和多项式核心函数训练模型时效果最佳。111个样本组成预测集用于检验模型的可靠性。结果表明,BP神经网络对训练集样本识别率为97.97%,预测集样本识别率为94.60%,基本能够满足塑料识别中对识别率的要求。支持向量机模型对预测集样本的识别率达到99.10%,对塑料具有很好的识别效果。本文创新点:（1）将拉曼光谱技术应用于塑料识别研究,对大量的塑料样本进行检测分析,并建立识别模型,为塑料识别提供新思路;（2）结合拉曼光谱技术和低温采样附件,对具有较强热效应的黑色塑料进行了检测识别。