红外光谱技术以其对被测样本具有无损、无污染以及检测速度快等优点得到了快速发展，被广泛应用于现代工业生产的离线、在线检测当中。然而，正如数据挖掘所面临的降维问题一样，很多实际获得的光谱数据维数大于样本个数，传统机器学习算法将会遭遇小样本问题。另外在线检测系统的模型是在已有部分样本的情况下建立的，但对于一些特殊应用，比如:白酒的分析来说，从粮食的种植到发酵再到采集，即使采用红外光谱技术，数据获得的周期也比较长，收集到足够建模的样本比较困难。因此如何在极少有标签样本的情况下建立一个预测及泛化能力都很强的模型，是实际生产中需要解决的问题。在此背景下，本文研究了红外光谱机器学习中的相关方法，引入偏最小二乘算法，提出了几个有意义的算法，对数据降维及数据分析具有重要的使用价值和现实意义。　　本文的创新成果主要包括:　　(1)研究线性判别分析和偏最小二乘算法基本原理发现，在两分类问题中类中心固定的情况下增加、减少样本不会影响线性判别分析和偏最小二乘算法的投影方向，而使得两种方法不能一定取得最佳分类面。针对这一问题，提出了线性判别分析和偏最小二乘简单的融合算法和用偏最小二乘算法调整线性判别分析投影方向的算法。两种算法都对原始的分类面做了调整，使得分类结果趋于最大化。实验结果表明，在两种算法的投影方向之间总可以找到一个方向，用该方向上的投影值作为分类器的输入，得到比传统方法更好的结果。　　(2)针对样本特征之间的多重相关性问题，提出了基于偏最小二乘回归系数的无监督降维算法。该算法源于主成分分析的基本思想，充分考虑样本某一特征与其它特征之间的关系，利用偏最小二乘算法的回归系数挖掘样本特征之间的这种信息。实验结果表明，在多重相关性大的样本集中，与传统降维方法相比，该算法提高了分类的正确率。而在几乎没有多重相关性的样本集中，该算法结果比传统降维方法的结果略好或几乎相同。　　(3)针对工业生产中模型建立之初只有少数精心挑选的有标签样本及大量的无标签样本的情况，提出了一种基于偏最小二乘的半监督降维方法。该算法认为精心挑选的有标签样本可以直接用偏最小二乘算法来处理，并得到一个回归系数。而对于大量无标签样本，我们认为一方面其服从独立同分布的条件，另外一个方面是该类样本能够从一定程度上体现样本的整体分布情况，因此可以将此类样本应用到无监督的偏最小二乘算法中并得到一个回归系数。将两个回归系数进行融合，最后得到半监督的偏最小二乘算法。与无监督或者有监督降维算法相比，该算法不仅能够提高样本的预测精度，而且还能增强模型的泛化能力，同时在有标签样本个数极少或者没有的情况下，也能够获得较好的结果。