多环芳烃（PAHs）是一种典型的土壤有机污染物,具有致畸、致癌等特性,土壤中PAHs的快速准确分析可以为环境污染风险评估提供理论基础和技术支撑。本文以土壤为研究对象,开展土壤中PAHs（蒽和荧蒽）的定量分析方法研究,将红外光谱作为输入变量构建偏最小二乘（PLS）校正模型,利用光谱预处理、特征变量提取和数据融合技术逐步提升建立的模型的预测性能,以实现土壤中蒽和荧蒽的快速、准确分析。结果表明,基于分子光谱技术建立的PLS校正模型具有优异的预测性能,可以实现土壤中蒽和荧蒽的快速、准确定量分析,为土壤污染现场分析提供了新思路与新方法。论文研究内容如下:（1）以土壤中PAHs为研究对象,建立了一种基于红外光谱结合PLS的土壤中蒽和荧蒽快速定量分析方法。首先考察了不同光谱预处理方法（标准正态变换和Savitzky-Golay一阶求导）对PLS校正模型预测性能的影响,然后研究了PLS校正模型预测性能随不同输入变量的变化规律。最后以900-1100 cm^-1区间的红外光谱作为最优化输入变量构建了PLS校正模型,并进行内部验证和外部验证。结果表明,PLS校正模型表现出了优异的预测性能:蒽的结果为R²=0.9628,RMSE=1.107 mg/g;荧蒽的结果为R²=0.9696,RMSE=1.009 mg/g。因此,红外光谱与PLS方法相结合是一种快速、有效的土壤中PAHs的检测工具,可为土壤中PAHs的精准分析和安全预警提供了新思路和新方法。（2）借助混合变量选择策略,建立了一种遗传算法与si PLS区间选择相结合的PLS校正模型,以实现土壤中蒽和荧蒽的定量分析。首先利用si PLS进行了PLS校正模型的最佳波长区间选择与优化,然后研究了不同变量选择方法（连续投影算法、粒子群优化算法和遗传算法）与si PLS相结合对PLS校正模型预测性能的影响。结果表明,基于si PLS-GA混合变量选择策略的PLS校正模型表现出最优异的预测性能,蒽的预测结果为R²=0.9830,RMSE=0.5897 mg/g;荧蒽的预测结果为R²=0.9849,RMSE=0.4739 mg/g。混合变量选择同时发挥si PLS和GA的优势,增强了模型的预测性能,可为土壤中PAHs的精准定量分析提供新方法。（3）借助数据融合策略,建立了一种基于红外-拉曼融合光谱的PLS校正模型以实现土壤中蒽和荧蒽的快速准确定量分析。将红外和拉曼光谱的全谱进行初级数据融合,并利用两种光谱的特征波长进行中级数据融合,探讨了不同级别的数据融合方式对PLS校正模型预测性能的影响。结果表明,基于中级光谱融合建立的PLS校正模型,所使用的变量更少,获得了最优的预测能力:蒽的结果为R²=0.9864,RMSE=0.5757 mg/g;荧蒽的结果为R²=0.9894,RMSE=0.4018 mg/g。数据融合技术可以弥补单一光谱的不足,有效提升了PLS校正模型的预测性能,数据融合结合多元校正方法有望于实现土壤污染的实时监测和现场分析。