动物组织类别繁多，对其进行分类识别具有重要的意义。传统动物组织分类检测通常采用基于DNA和蛋白质检测的方法。然而此类方法需进行样本处理、且DNA或蛋白质的萃取往往需要专业的人员操作，过程复杂、耗时，不适合实时原位检测。激光诱导击穿光谱（Laser-induced Breakdown Spectroscopy，简称LIBS）技术的出现为动物组织实时、在线诊断提供了一种可能，它可以通过结合化学计量学方法分析物质的成分组成来对不同组织进行快速识别。基于此，本论文以常见肉类组织和人体肿瘤组织为实验对象，探索采用 LIBS技术对动物组织进行分类识别。具体研究内容如下：　　首先对鲜肉组织的制样和采集方式进行了研究。以常见4种猪肉组织为研究对象，对其分别进行了不同的预处理和光谱采集：石蜡包埋处理（定点采集）、玻璃压制（定点采集）、玻璃压制（扫描采集）、自动切片（扫描采集）。使用基于径向基映射核函数的支持向量机算法（Support Vector Machine，SVM）对4种组织进行了分类研究，对比分析了4种不同的预处理方法和光谱采集方式对分类结果的影响。研究发现玻璃压制（扫描采集）的样品处理方式可获得最佳的动物组织识别效果，其平均预测识别率可达93％。　　其次对不同的分类识别算法进行了对比研究。使用玻璃压制和扫描采集方式对6种不同的鲜肉组织（猪肉、牛肉、鸡肉等）进行简单的样品处理和 LIBS光谱数据采集，分别使用常见有监督算法（支持向量机、随机森林、偏最小二乘判别分析、线性判别分析、朴素贝叶斯分类器和神经网络、K近邻）和无监督算法（主成分分析和K均值）对6种鲜肉组织进行了分类识别，对比了采用不同算法的识别结果。结果表明，采用支持向量机算法可以获得最佳的识别精度，其平均预测识别率为88.44%。　　然后以 SVM算法为研究对象，通过与其他算法组合以及内核优化进一步改进算法以提高识别精度。以6种鲜肉组织研究对象，使用SVM与主成分分析相结合的算法对组织进行了分类识别。通过主成分的降维、降噪，提高了 SVM模型的建模效率和算法识别率，建模时间从94.63 s降至57.00 s，平均预测识别率从88.44%提高至89.11%。并通过优化SVM的映射内核，进一步提高识别率至90.22%。另外，为了解决分类过程中人工选线耗时的困扰，使用小波变换结合信背比、信噪比阈值自动对谱峰进行挑选，使得分类算法更加自动智能化。　　最后将研究的模型和算法运用到医学肿瘤组织的识别中。结果表明，使用SVM以及与主成分分析相结合的算法对正常组织和肿瘤组织的光谱平均预测识别率分别达到93.06%、94.44%，同时使用主成分降维使得建模时间从21.55 s大幅度降低为1.97 s。　　综上所述，LIBS结合化学计量学分类算法可用于对动物组织乃至医学组织分类识别，这为LIBS在线应用于组织识别提供了一定的参考。