光谱分析能够通过样品的光谱和校正模型来快速预测样品的成分。校正模型预测性能的好坏,很大程度上取决于所选取的输入波长。为了降低模型复杂度,提升模型预测性能,有必要在建模前进行波长选择来减小数据维度,去除噪声和冗余数据。在各种波长选择方法中,多头绒泡菌网络(Physarum Polycephalum Network,PN)结合遗传偏最小二乘法(Genetic Algorithm-Partial Least Squares,GA-PLS)是一种新的并且有效的波长选择方法。但是该算法要求将整个光谱区间平均分成多个子波段区间,这种划分标准限制了变量选择能力和模型的预测性能。本文针对上述问题,提出了近邻传播(Affinity Propagation,AP)结合多头绒泡菌网络(PN)和遗传偏最小二乘法(GA-PLS)波长选择算法。其思想是将PN中的波段划分问题转化为聚类问题,通过使用AP自适应地调整分组数目及分组方式。然后采用PN进行变量的初次筛选得到候选波长,最后由GA-PLS对候选波长进行第二次选择得到特征变量。本文采用两个光谱数据库对提出的AP-PN-GA-PLS进行验证,并与全谱特征变量、区间偏最小二乘法(Interval Partial Least Squares,IPLS)、连续投影法(Successive Projections Algorithm,SPA)、GA-PLS、AP-GA-PLS、PN-GA-PLS等方法进行对比分析。结果表明在这七种波长选择算法中,AP-PN-GA-PLS在波长选择变量数最少的情况下能达到最好的模型预测性能。因此AP-PN-GA-PLS可以在不降低预测性能的情况下使模型的复杂度最低。