肉类组织分类在肉类市场规范化和病理组织检测等方面具有重要意义。传统的肉类组织分类主要基于DNA和蛋白质进行检测，其准确度高，但是操作复杂，耗时长。因此，探寻一种肉类组织的简单快速分类方法成为近年来的研究热点。激光诱导击穿光谱技术(Laser-induced breakdown spectroscopy，LIBS)，因其具有快速、原位、微损、远程检测和操作简便等独特优点，在肉类组织检测领域极具应用前景。然而，目前LIBS技术在肉类组织分类中的应用存在制样复杂、光谱信息冗余和噪声干扰等问题，限制了该技术的进一步发展。因此，本文以常见肉类组织和Graves’眼病组织为实验对象，对制样方法和基于特征提取的分类算法进行研究。主要成果和创新点如下：
　　(1)首次将冰冻切片法、石蜡切片法和振动切片法等切片式制样方法用于LIBS领域。显著提高了肉类组织样本的平整性和均匀度，改善了光谱质量。且适用于小尺寸肉类组织样本，扩大了LIBS肉类组织检测的适用范围。分别使用黑山羊羊肉、鸡胸肉、猪里脊肉和牛里脊肉等常见的肉类组织制样，对光谱质量和分类效果等对比研究，优选出光谱稳定且更具普适性的冰冻切片法和石蜡切片法用于LIBS肉类组织检测。
　　(2)针对LIBS存在光谱谱线过多导致的信息冗余，以及光谱噪声等问题，本文首次提出采用光谱特征提取方法(最小噪声分离(MNF)、等距特征映射(ISOMAP)和线性判别分析(LDA))去除冗余信息和噪声后，再结合线性判别分析(LDA)、K近邻算法(KNN)、极限学习机(ELM)、支持向量机(SVM)和Bagging分类算法对肉类组织进行分类对比研究。实验结果表明，单独采用分类算法时，SVM表现最佳，预测准确率为88.45%，而采用光谱特征提取算法后，结合SVM的分类效果最佳。其中MNF-SVM、ISOMAP-SVM和LDA-SVM的预测准确率分别可提高至97.05%、97.30%和99.93%。综合考虑到MNF算法简单高效和无监督的特性，MNF-SVM为最佳的肉类组织分类模型。
　　(3)将石蜡切片法和MNF特征提取算法应用于LIBS的Graves’眼病病理组织检测，采用MNF特征提取算法结合LDA、KNN和SVM分类算法进行研究。首先对比单独采用分类算法时的分类结果，选出合适的分类算法KNN和SVM。然后进一步采用MNF对光谱进行特征提取后结合KNN和SVM分类。结果显示，MNF-SVM的预测准确率为99.39%，敏感度、特异度和查全率分别为98.78%、100%和100%，变异系数为1.76%，各项指标均优于MNF-KNN。
　　综上，本文研究的切片式制样方法和MNF-SVM等基于特征提取的分类算法能有效克服LIBS用于肉类组织检测时由于样本疏松导致表面不平整，光谱质量差和光谱噪声干扰等问题，表明LIBS在肉类组织以及病理组织的检测分类方面有广泛的应用前景。