光譜的預處理方面，目前常用的方法有：平滑、多元散射校正 （MSC）、傅里葉變換（FT）、小波變換(WT)等。
小波變換是近幾年發展起來的一種數據處理技術，它比較穩定，具有局部性質。
模型優化方法主要包括偏最小二乘法 （PLS）、拓撲學方法、人工神經網絡 （ANN）、支持向量機 （SVM） 等。
蟻群算法是新近發展起來的基于群體智能的仿生優化算法。SVM可以減少結構風險和機會風險，是目前理論應用工作者的研究重點。
近紅外光譜 （NIR） 分析技術是近年來迅猛發展起來的一種快速檢測技術，具有無需預處理，速度快、無污染、無破壞、多成分同時分析、結果重演性高、適于在線分析等優點。
隨著現代電子、光譜分析、計算機和化學計量等技術的發展，使得 NIR 分析技術日趨完善，促進該技術在農業食品工業、化工行業和醫藥行業等領域的應用。
在農業方面，當傳統的質量檢測技術難以適應生產需要時，這種新型的質量檢測方法受到越來越多的關注，但是其信噪比低、波動性大，背景復雜、譜峰重疊等特點，使得光譜數據處理方法的選擇對所建模型的有效性、適應性和穩定性具有重要的意義。因此，眾多學者開展了相關數據處理方法的研究。
本文分析了近紅外光譜分析技術的特點，總結了其在異常值剔除、噪聲消除、波長選擇等數據預處理和定性定量分析方法的改進和新算法的應用。
近紅外光譜分析技術的特點
近紅外光譜屬于紅外光譜，美國材料檢測協會（ASTM） 定義其波長范圍為 780~2 526 nm，波數范圍為 12 820~3 959 cm-1。
紅外光譜還包括中紅外和遠紅外，均介于可見光和微波之間，肉眼無法觀察到它們的存在。不同的紅外光譜具有不同的特性：近紅外光線具有較強的穿透能力，而遠紅外則有良好的加熱特性。
在近紅外光譜區產生吸收的官能團主要是含氫基團，包括：C- H（甲基、亞甲基、芳基、羧基等）、氨基N-H、羥基O-H、硫基S-H等。近紅外光譜主要是有機分子的倍頻與合頻吸收光譜，與中紅外光
一樣，該譜區也能夠得到分子的結構、組成、狀態的信息，而且從近紅外反射光譜還能得到樣品的密度、粒度、高分子物的聚合度及纖維的直徑等物質的物理狀態信息。近紅外光譜的上述特征，賦予了它有別于其他紅外光譜的一些獨特魅力。
如樣品不需進行任何預處理，即可做多組檢測；除液體、氣體、固體樣品外，還可檢測粉末狀、纖維狀、糊狀、肉類、乳類等形式的樣品。
由于近紅外譜區的信息量十分豐富，作為一種高效、快速、成本低、無污染、不破壞樣品化學性質、綠色環保的分析方法，它可用于實驗室分析、現場分析及在線分析。
光譜預處理的研究進展
近紅外光譜分析的預處理包括 3 個方面：
剔除異常樣品；
消除光譜噪聲和其他譜圖不規則因素的影響，如消除隨機噪聲、樣品背景的干擾、光程的變化、測樣器件引起光譜的差異等因素對校正結果產生的影響；
優化光譜范圍，凈化譜圖信息。目前常用的光譜預處理方法有：平滑、多元散射校正（MSC）、標準正態變量變換（SNV）、傅里葉變換（FT）、小波變換（WT）、正交信號校正（OSC）、凈分析信號（NAS） 等。
剔除異常樣品