生物质能源作为世界第四大能源,是最具发展潜力的可再生能源之一。厌氧发酵技术是将有机垃圾转化为生物质能源的一种重要方式。在厌氧发酵过程中,了解各类有机垃圾的厌氧发酵能力至关重要。其中,生化甲烷潜力（Biochemical Methane Potential,BMP）即每千克有机物在厌氧发酵条件下产生的甲烷气体量,是确定物料发酵能力最为相关的指标。传统利用厌氧发酵实验测定BMP的方法周期长,自动化测定的仪器成本也较高。为了能够快速、稳定、无损可靠地测定生物质BMP,研究围绕着一种基于近红外光谱分析技术结合化学计量法的快速方法展开。第一章介绍了课题的研究背景和意义,总结了BMP的测定方法、BMP实验装置应用的研究现状。并具体介绍了课题的主要研究内容和技术路线。第二章介绍了生化产甲烷潜力自动监测系统设计。提出并设计一种基于排水法与称重计量法的甲烷产气量自动监测系统。该系统由NI采集卡、温度传感器、pH传感器、称重传感器、电磁夹管阀和微型蠕动泵等硬件构成,利用LabVIEW编写程序,实时监测产气量、温度和pH值,加入自动补充排水液的功能模块,实现产气自动测量。第三章介绍了课题的BMP测定与近红外光谱检测实验的原理和步骤。共收集66个不同种类的有机垃圾,用自行搭建的厌氧发酵装置测定样本BMP。结果显示,水果垃圾的BMP值最大,蔬菜垃圾的BMP值次之,街道落叶的BMP值最小。利用傅里叶近红外光谱仪采集样本的光谱数据,以待后续处理建模。第四章介绍了近红外光谱的全波段定量分析建模。首先采用Savitzky-Golay卷积平滑结合多元散射校正（SG-MSC）方法对采集到光谱进行预处理,建立全谱段偏最小二乘法（PLS）和偏最小二乘支持向量机（PLS-SVM）模型。结果表明,SG-MSC预处理下建立的PLS-SVM模型的预测效果较好,预处理建模的交叉验证均方根误差为74mL CH₄/g VS,预测均方根误差为44mL CH₄/g VS,相对分析误差为2.45,相关系数为0.86。对比全样本建模与分类别建模,全样本建模的模型适应性强,虽预测精度略低,但仍可满足预测需求。第五章针对全谱区建模时存在光谱数据规模大、光谱信息重叠、计算复杂等问题,引入遗传算法（GA）、蚁群算法（ACO）、变量投影重要性结合蚁群算法（VIP-ACO）三种方法进行波长筛选,对波长筛选后的光谱数据建立PLS-SVM模型。三种波长筛选方法都能在提高模型预测效果的同时降低模型的数据复杂度,其中VIP-ACO方法建模预测效果最优,交叉验证均方根误差为48mL CH₄/g VS,比全谱段建模了减少了35%,预测均方根误差为29mL CH₄/g VS,减少了34%,相关系数为0.91,相对分析误差为2.92。第六章总结论文的主要内容,并指出研究工作的不足之处及后续可能的研究方向。