煤炭在我国当前的能源市场中仍然占有主要地位,快速在线的煤质检测方法对于燃煤电厂等应用场景的生产效率有着重要意义,使用传统手段的离线煤质检测方法由于工序繁琐等弊端越来越难以满足工业生产的需求。激光诱导击穿光谱(Laser-Induced Breakdown Spectroscopy)检测技术简称为LIBS,由于它具有测试快速,支持原位检测,多元素同时分析等优点,非常适合煤质在线检测的需求,并且近年已经在钢铁,土壤,水质检测领域中衍生出较为成熟的产品。但国内在煤质检测领域的LIBS仪器研发目前才刚刚起步,这是一项具有巨大应用价值的前沿研究。本文针对当前应用广泛的标准曲线法、多元线性回归法等定量分析方法难以对多种类混合煤样进行分析检测的局限性,基于LIBS煤质检测中对光谱数据的特征提取和基体效应困境分析,提出了聚类回归模型。该模型利用LIBS测量光谱数据中的特征谱线信息,通过聚类方法将基底不同的煤样加以区分,将训练集中不同的聚类簇作为新的类别概念,将混合样品集划分为多类别子集分别训练不同的回归模型参数。对于煤种信息未知的待测盲样,该模型可以以训练集的聚类结果为依据对其划分类别,并使用对应的回归模型参数来计算煤样灰分值指标的预测值。聚类回归模型可以解决传统定量分析方法在盲样预测问题上的难题,并一定程度地提高回归模型在复杂样品集上的精度。在此基础上,本文为聚类回归模型中的聚类流程设计了能够自动设置聚类参数的算法,解决了密度聚类参数的手动设置中涉及的对样品标注信息的依赖问题,并大大降低了生产环境下操作者的使用难度。进而,本文通过徐州市煤质检测中心获取的337个编号的多种类混合样品集,以及陕西省凉水井煤矿的60份单一煤种样品的LIBS测试数据对模型的有效性和性能水平进行了验证。在多种类混合样品集上,使用自动寻参算法的聚类回归模型对样品灰分值计算的平均偏差为0.78%,比起多元线性回归模型的平均偏差降低了1.52%。取得了非常明显的精度提升,证明了聚类回归模型在处理混合样品集方面的卓越优势。聚类回归模型的提出,使得LIBS煤质检测在盲样分析和混合样品集分析上克服了传统定量分析方法的局限性,改善了现有回归模型的精度。为实现高精度和稳定的LIBS在线检测系统,以及其他方面的应用提供了基础和可能。