光谱的预处理方面，目前常用的方法有：平滑、多元散射校正 （MSC）、傅里叶变换（FT）、小波变换(WT)等。
小波变换是近几年发展起来的一种数据处理技术，它比较稳定，具有局部性质。
模型优化方法主要包括偏最小二乘法 （PLS）、拓扑学方法、人工神经网络 （ANN）、支持向量机 （SVM） 等。
蚁群算法是新近发展起来的基于群体智能的仿生优化算法。SVM可以减少结构风险和机会风险，是目前理论应用工作者的研究重点。
近红外光谱 （NIR） 分析技术是近年来迅猛发展起来的一种快速检测技术，具有无需预处理，速度快、无污染、无破坏、多成分同时分析、结果重演性高、适于在线分析等优点。
随着现代电子、光谱分析、计算机和化学计量等技术的发展，使得 NIR 分析技术日趋完善，促进该技术在农业食品工业、化工行业和医药行业等领域的应用。
在农业方面，当传统的质量检测技术难以适应生产需要时，这种新型的质量检测方法受到越来越多的关注，但是其信噪比低、波动性大，背景复杂、谱峰重叠等特点，使得光谱数据处理方法的选择对所建模型的有效性、适应性和稳定性具有重要的意义。因此，众多学者开展了相关数据处理方法的研究。
本文分析了近红外光谱分析技术的特点，总结了其在异常值剔除、噪声消除、波长选择等数据预处理和定性定量分析方法的改进和新算法的应用。
近红外光谱分析技术的特点
近红外光谱属于红外光谱，美国材料检测协会（ASTM） 定义其波长范围为 780~2 526 nm，波数范围为 12 820~3 959 cm-1。
红外光谱还包括中红外和远红外，均介于可见光和微波之间，肉眼无法观察到它们的存在。不同的红外光谱具有不同的特性：近红外光线具有较强的穿透能力，而远红外则有良好的加热特性。
在近红外光谱区产生吸收的官能团主要是含氢基团，包括：C- H（甲基、亚甲基、芳基、羧基等）、氨基N-H、羟基O-H、硫基S-H等。近红外光谱主要是有机分子的倍频与合频吸收光谱，与中红外光
一样，该谱区也能够得到分子的结构、组成、状态的信息，而且从近红外反射光谱还能得到样品的密度、粒度、高分子物的聚合度及纤维的直径等物质的物理状态信息。近红外光谱的上述特征，赋予了它有别于其他红外光谱的一些独特魅力。
如样品不需进行任何预处理，即可做多组检测；除液体、气体、固体样品外，还可检测粉末状、纤维状、糊状、肉类、乳类等形式的样品。
由于近红外谱区的信息量十分丰富，作为一种高效、快速、成本低、无污染、不破坏样品化学性质、绿色环保的分析方法，它可用于实验室分析、现场分析及在线分析。
光谱预处理的研究进展
近红外光谱分析的预处理包括 3 个方面：
剔除异常样品；
消除光谱噪声和其他谱图不规则因素的影响，如消除随机噪声、样品背景的干扰、光程的变化、测样器件引起光谱的差异等因素对校正结果产生的影响；
优化光谱范围，净化谱图信息。目前常用的光谱预处理方法有：平滑、多元散射校正（MSC）、标准正态变量变换（SNV）、傅里叶变换（FT）、小波变换（WT）、正交信号校正（OSC）、净分析信号（NAS） 等。
剔除异常样品