近红外光谱(Near Infrared Spectroscopy,NIRS)分析技术因其无损、高效、快速、操作简单和低成本等特点,在实时检测中有巨大潜力,成为一种新兴的在线过程分析工具。然而在实际生产过程中,最初建立的近红外模型常常会受到工艺操作条件、仪器性能、生产环境、加工原料或催化剂变化的影响,从而降低对目标物性浓度的预测精度,不能满足生产需求。因此需要不断的对模型更新维护,来提高近红外模型的自适应能力。本文针对现有近红外建模稳定性差、使用寿命短的问题,采用通过不断建立局部模型来跟踪过程特性变化的即时学习(Just-in-time Learning,JITL)方法,提高近红外模型的自适应性。然而近红外光谱数据存在维数高、包含冗余噪声以及不相关波长变量的问题,制约了模型的预测性能。因此本文针对近红外在线建模的不足,结合JIT学习的研究动态与近红外光谱数据特征,研究了基于JIT学习的近红外自适应建模并加以改进。具体研究内容如下:(1)基于时空相似度的JIT-Lasso自适应建模。针对工业过程的时变、非线性以及光谱波长变量维数高、信息量大等特性,首先选取Lasso(Least Absolute Shrinkage and Selection Operator)算法作为JIT学习中的局部建模技术。该算法可以同时进行回归分析和波长选择,因此可以剔除包含冗余噪声或无关信息变量的光谱波段,提高模型精度和模型解释能力;为了进一步克服过程时变和非线性问题,研究了综合时间相关性和空间相关性的相似性度量方法。通过对原油脱盐脱水过程的实验验证,表明了所提方法具有更加良好的性能。(2)基于近红外光谱局部与整体特征的自适应建模。在局部建模技术确定的基础上,相似光谱样本的选择对模型精度的影响十分关键,因此在JIT学习框架中进一步融合近红外光谱特征,提出一种基于局部-整体(Local-global)光谱特征的不确定相似性度量准则。该准则融合了光谱学知识,通过局部光谱形状变化和整体光谱信息差异来综合评价近红外光谱样本之间的相似性,并建立基于近红外光谱特征的JIT学习模型。用JIT-PLS和JIT-Lasso建模技术,结合不同相似性度量方法进行原油脱盐脱水过程的物性浓度预测实验对比,验证了基于近红外光谱局部与整体特征的自适应建模的预测性能更优。(3)基于数据库更新指标的近红外自适应建模。JIT学习是一种基于记忆的方法,模型性能很大程度上取决于数据库信息的有效性。因此本文构建了数据库更新指标(Database Updating Index,DUI),并根据实际发生的过程变化类型,提出相应更新数据库的策略:(I)将新光谱样本添加到历史数据库,(II)用新光谱样本替换相应的历史光谱样本。实现在进行JIT学习的同时,完成近光谱样本数据库的更新,进一步提高了模型预测精度。最后将理论成果运用到原油脱盐脱水过程氯化物含量的测量,表明基DUI的JIT建模框架的模型预测具有更优的性能。