硝态氮（NO3-N）是水质监测的重要指标,也是生活饮用水的常规检测参数。使用化学法对NO3-N进行检测不满足实时、无污染等需求,而光谱法能有效避免化学法的缺陷,非常适合无人值守、实时性要求较高的场合。本文以水质NO3-N为研究对象,采用紫外-可见吸收光谱技术以及集成学习（Ensemble Learning,EL）建模方法对其进行分析,旨在提高光谱法水质检测的精度。其内容包括以下两个部分:（1）针对目前难以对水质等级进行快速判定的问题,提出了一套基于紫外-可见光谱数据的水质等级判定流程。以NO3-N浓度作为水质等级划分标准,对光谱数据进行建模分析。首先采用了多项式平滑（Savitzky-Golay,SG）滤波、趋势校正（Detrend Correction,DC）等方法对光谱数据进行处理,然后建立了决策树水质等级判定模型,最后使用Boosting和Bagging两种集成框架对决策树模型进行集成以提高水质等级判定的准确率。分析结果表明,Boosting和Bagging两种集成策略都能高效地完成水质等级的判定,两种策略测试集的准确率分别为96.97%、98.99%,相比于决策树有更高的准确率以及更强的泛化能力。（2）针对NO3-N标准溶液成分单一、无色度、浊度影响等特点,提出了SG-Lasso-PLSR预测模型。首先使用SG滤波对光谱数据进行降噪处理;然后使用Lasso回归筛选出与NO3-N浓度强相关的特征波长;最后使用复杂度较低的偏最小二乘回归（Partial Least Squares Regression,PLSR）建模分析。为验证SG-Lasso-PLSR模型效果,另外建立了Lasso-PLSR、SG-PCA-PLSR和SG-PCA-SVR三种预测模型进行对比。验证结果表明,四种模型平均相对误差分别为1.72%、4.73%、14.71%、11.65%,SG-Lasso-PLSR模型明显优于其他几种模型。针对单一模型对实际水样NO3-N浓度预测精度较低,且无法通过调整自身参数得到改观的问题,提出了基于Stacking融合模型的水质NO3-N浓度预测方法。首先根据不同的回归算法提出了不同的光谱预处理方法;然后使用核主成分分析（Kernel PCA,KPCA）和递归特征消除（Recursive Feature Elimination,RFE）对预处理后的吸收光谱进行特征工程,提取出NO3-N的相关特征;最后将极端梯度提升树（e Xtreme Gradient Boosting,XGBoost）和支持向量机回归（Support Vector Regression,SVR）作为Stacking的基学习器,将线性回归作为Stacking的元学习器,建立融合模型。结果显示,融合模型比基模型的效果更佳,其测试集决定系数R~2为0.9945,均方误差MSE为0.0138,说明融合模型能够更加准确的对水质NO3-N浓度进行预测。