铁矿石是钢铁工业的重要原材料,我国对铁矿石的需求量非常大,建立一种快速进行铁矿石识别方法有利于提高铁矿石利用效率。为了避免国家的资金和资源遭到不应有的浪费和损失,提高矿石原料的质量,铁矿石分析是不可或缺的环节。铁矿石分析通常包括矿物种类鉴定和含铁量分析。传统的铁矿石分析技术以原子发射光谱、ICP-MS和X-射线荧光等为主,然而,这些方法通常需要复杂的样品前处理且分析周期长,无法进行快速分析。激光诱导击穿光谱(LIBS)是一种新型的原子光谱技术,利用低能量激光脉冲聚焦在样品表面并产成等离子体,在等离子体冷却过程中,样品中处于激发态的原子和离子会向低能级或基态跃迁产生特定频率的特征发射谱线。借以此特性来实现对样品化学元素的定性和定量分析。LIBS技术因其具有快速、现场实时分析且无需复杂样品前处理等优势,可以胜任铁矿石快速实时分析的需求。LIBS信号往往容易受到外界环境和仪器内部的影响,光谱信息中往往含有大量的噪声信息,若不进行滤噪处理,将会严重影响后续样品分类的准确度。本文将多种化学计量学方法与LIBS相结合对铁矿石光谱数据进行分析。首先分别采用小波变换法和主成分分析法进行了光谱滤噪和数据压缩方面的研究,原始光谱在经过预处理之后保留了有效信息的同时剔除了干扰噪声,为后续的样品分类(或模式识别)奠定了良好的基础。然后分别研究了K-最邻近法和人工神经网络模型对已知的五种铁矿石进行分类预测,结果显示两种方法均可以得到较高的预测准确率,两种方法各有优势：K最邻近法运算更加简单快速,人工神经网络模型相对繁琐但能表现出更加优异的分类性能,可以用于铁矿石的种类识别,有助于冶金原材料的筛选。