本论文选取人们日常生活中常用药品作为研究对象,对所选药物样品进行近红外光谱(NIR spectroscopy)扫描,获得实验数据,应用光谱预处理方法将实验数据处理后与计量学方法相结合,建立了最佳数学校正模型,讨论了网络参数对模型预报能力的影响,并预测了未知样品中活性成分的含量,取得了理想的结果,从而实现了对药物的无损定量分析。论文的创新点是将隐变量正交投影(Orthogonal projection to latent structures,OPLS)作为光谱预处理方法应用于药品的近红外无损定量分析中。应用OPLS光谱预处理法可以有效的移除光谱数据中所有与样本浓度不相关的信息(正交信号),从而相对增强了样本近红外光谱所携带的与样本浓度相关的有效信息,因此不仅简化了建立校正模型所需的输入数据,而且提高了模型的预报能力。通过与其它传统的光谱预处理方法(一阶导数、二阶导数、SNV及MSC)的比较可知,基于OPLS预处理光谱数据所建立的数学校正模型能够获得更好的预报结果。此外,论文将近红外光谱技术常用的偏最小二乘(PLS)、人工神经网络(ANN)、主成分分析-人工神经网络(PC-ANN)以及支持向量回归(SVR)几种计量学建模方法进行了比较,实验结果表明,SVR和ANN方法建立的数学校正模型在处理非线性复杂体系时比PLS方法更具优势,并且SVR方法在模型建立过程中具有更多的优点,如:需要优化的参数相对较少,且参数的选择过程容易控制。同时根据预报结果可知,仅由样本原始近红外光谱数据建立的SVR模型便可获得比通过预处理光谱数据建立的最佳ANN和PLS模型更好的预报结果,因此在很大程度上减少了工作量。上述事实都说明当样本数较少时,SVR模型在处理高维数据方面更有优势。