在工业环境中应用机器学习技术,可以降低生产成本,提高生产效率,节约人力资源,是发展先进制造业的可行路径。一方面,机器学习技术的发展与计算设备性能的提高,使得机器学习技术在工业环境的应用越来越广;而另一方面,工业环境中数据的特性也会给现有机器学习技术带来挑战,其中首要的问题是工业环境中数据的多样性与复杂性问题。在这样的环境下应用机器学习技术,需要对数据进行充分的特征转化与构造。本文即针对工业环境中不同类型的频谱特征数据,做出以下工作:第一,在异常纤维检测任务中,探讨最基本的频域特征也即基于直方图的特征构造与应用。将三种不同的图像直方图特征应用到棉纤维异常检测任务中,分析三种直方图特征的区别与特点,对最优方法做出改进,设计一个先检测后判别的两阶段算法,获得了良好的检测精度,并给出系统性的解决方案。第二,在卫星遥感数据用于动态航程规划任务中,探讨基于谱分解的频谱特征构造与利用。针对存在各向异性的矩阵,本文提出了一种旋转多角度近似秩特征,刻画矩阵的各向异性。其应用表明该方法能够对MODIS卫星遥感图像区域进行精确标注,为后续航程规划任务提供有效支撑。第三,在利用传感器信号进行传动设备故障检测任务中,探讨基于信息论的频谱特征构造与利用。对于传感器采集的高速传动设备振动信号,使用信息熵结合一定领域知识对机械振动谱进行转化,构建其信息熵特征,结合集成学习技术,验证特征有效性,解决任务需求,在部分类型的设备上取得积极效果。