近红外光谱(NIR)作为一种新兴的分析技术，具有分析速度快、操作简单、无需样品前处理等特点，在许多领域均得到了广泛的应用。然而，近红外光谱吸收峰强度较弱，多组分信号重叠，并且背景干扰严重，因此，往往需要借助化学计量学方法来建立光谱与待测组分属性值的关系模型，以实现定性定量分析。在近红外光谱分析中，如何从复杂的光谱中提取待测组分的定量信息，消除背景和噪声等无关信息的干扰，一直是研究的重要内容。本论文利用随机模型的参数统计和连续小波变换(CWT)等方法，从近红外光谱的变量选择和光谱中定量信息的有效提取与利用两方面开展研究，为改善定量分析模型的性能提供了新的思路。具体研究内容如下：　　 1、根据光谱变量对模型的影响，定义了“强影响变量(Ⅳ)”，并提出了一种识别Ⅳs的方法。在该方法中，利用蒙特卡洛(MC)随机取样技术，从校正集中选取一系列的变量子集来建立大量的随机模型，然后采用主成分分析(PCA)考察随机模型的分类情况。如果校正集中含有IVs，那么在主成分空间就能观察到分类现象，从而可以通过统计每一类别中每个变量出现的频率来识别该Ⅳs。最后，采用所找到的Ⅳs来建立偏最小二乘(PLS)校正模型。利用5组数据对该方法的效果和普适性进行了考察，研究表明，该方法能够选出合理的Ⅳs，建立简约的、准确的定量模型，为近红外光谱定量分析提供了一种有力的手段。　　 2、利用样本交叉验证残差的分布及光谱变量组合对模型的影响，提出了一种同时剔除奇异样本和无信息变量的方法。在该方法中，采用两种方式，即只选取部分样本和同时选取部分样本和部分变量，来构建随机模型，并考察了两种情况下，校正集样本的交叉验证残差的分布及差异。从而，根据样本残差的分布情况进行奇异样本的识别；利用两种情况下残差变化大的样本对应的“好模型”和“坏模型”来考察变量的重要性，以实现无信息变量的消除。通过对两组数据的考察，结果表明，该方法可以在识别奇异样本的同时，有效地消除无信息变量，提高模型的性能。　　 3、为了充分利用光谱中的定量信息，提出了小波展开的偏最小二乘方法(WUPLS)，并应用于近红外光谱的定量分析。在该方法中，首先利用不同的小波基对测量信号进行CWT处理，然后将得到的各成分信号组合成增广矩阵，并在该增广矩阵与样品浓度间建立校正模型进行定量分析。为了选择具有代表性的小波基，采用PCA考察了不同信号成分在主成分空间中的分布。利用血液样品和烟草样品数据对所提出的WUPLS算法进行了考察，结果表明，WUPLS方法可以有效地提取和利用近红外光谱中的定量信息，提高模型的预测能力。