该文对化学因子分析(CFA)方法的理论和应用进行了探讨和研究.全文共五章,其中第一章为综述,其余四章分别为博士生期间的研究工作.第一章首先介绍了常见CFA方法的基本原理、主要特点和适用问题,然后通过详细的文献调研,综述了CFA在色谱分析、电分析化学以及其它分析化学领域中的应用现状和研究方向.该章还总结了CFA的最新研究进展,对近几年来出现的一些改进和新方法进行了介绍,通过对问题背景和方法原理的扼要描述,突出了当前CFA理论中的热点问题和研究思路.在第二章建立了一种窗口因子分析(WFA)的新算法.WFA属于自模因子分析,是解析渐进过程数据的重要方法,得到了广泛的应用.但噪声对WFA干扰严重,导致解析结果信噪比降低甚至变形,影响严重时使解析失败.通过对传统WFA算法的误差研究,分析了其易受噪声影响的理论原因,并在此基础上重新提出了WFA改进算法,理论上证明了该算法可以进一步减小噪声的影响.使用模拟和实验HPLC-DAD数据对改进算法进行了验证,并与传统算法对比,结果表明改进的算法可以很大程度上克服噪声的影响,从原始信号中获得更多有用信息,解析结果的信噪比得到提高,特征更接近纯组分信号,当噪声的影响使传统算法失效时,改进的算法仍然可以得到令人满意的结果.第三章是免疫主成分分析(IPCA)的研究.主成分分析(PCA)是绝大多数CFA方法的基础.但在CFA中PCA仅是一个纯数学变换,基本出发点是根据变量间的距离,并不适合所有实际问题.根据免疫算法(Immune algorithm,IA)的基本原理提出的一种免疫主成分分析方法,IPCA根据变量间的相似程度对原始数据进行正交分解.使用模拟和实验HPLC-DAD数据对IPCA进行了验证,结果表明IPCA是一种非迭代方法,只需要完成一次计算过程即可得到一个主成分,因此IPCA不仅能够显著提高运算速度,而且可以避免迭代法中的误差积累问题.使用TFA和WFA对IPCA的降维性能进行了研究,发现尽管IPCA对信息在主成分中的分配与传统PCA不同,但降维后能够保留足够的组分信息,与传统PCA的结果无统计学差异.IPCA是我们改变传统PCA的纯数学处理,从具体化学问题的特点入手对数据矩阵实施正交分解的一个尝试,结果表明这种尝试是成功的.第四章是对主因子数判断方法的研究.量测矩阵的主因子数对确定体系组分数、估计量测误差和降维都有重要的意义,尽管这一问题理论上并不复杂,而且也发展了不少判据,但实际中由于噪声、非线性的影响,目前的判定方法一般需要相互验证才能给出较为可靠的结果.根据IA的基本思想,提出了一种基于免疫识别算法(Immune recognition algorithm,IRA)的主因子数判断方法.IA中的免疫思想使残差矩阵成为IRA的研究对象,通过亲合力数值的变化可以清楚地分辨一系列残余矩阵,从而得到主因子数.通过模拟数据和实验数据对IRA进行了验证,并与其它几种常用的判别方法进行了对比.结果表明,IRA判据明显,结果准确,特别是当其它方法处理实验数据不成功时,IRA均获得了正确的主因子数,另外IRA非常灵敏,除得到主因子数外,还能够检测到其它性质的因子数变化.第五章是对峰包含体系解析的研究.色谱中有一类特殊的重叠情形:一个组分的色谱峰完全包含在另一个组分的色谱峰中,这被称为峰包含体系.由于不符合"先出现,先消失;后出现,后消失"的渐进特性,已有的CFA方法都无法完全解析这类体系.该章对这类体系进行了比较详细的理论分析,根据直接求解旋转向量的思路,将之转化为一个单变量的求解问题,并采用小波变换微分的方法进行分辨,从而提出了一种线性搜索(LS)的方法对这类体系进行解析.模拟数据验证结果表明,LS方法具有过程简洁、抗噪声能力强、结果准确的优点,可以解析其它分辨方法尚不能解析的类型.我们的研究结果不仅进一步揭示了峰包含体系的本质,而且为发展最终解析方法提供了一个研究方向.