光谱预处理在近红外光谱分析技术中是相当重要的。近红外光谱分析预处理可以针对特定的样品体系，剔除异常样品、消除光谱噪声、筛选数据变量、优化光谱范围、净化谱图信息、减弱以至于消除各种非目标因素对光谱的影响（见图1-1），为建立近红外光谱校正模型和预测未知样品组分浓度或性质奠定基础。

图1-1 近红外光谱信息预处理(www.daowen.com)

光谱的预处理研究主要包括两个方面：一是噪声和其他不规则影响因素的滤除，如消除随机噪声、样品背景干扰、光程变化、测样器件等因素引起的光谱差异对校正结果产生的影响。近红外光谱定量分析的过程中，分析结果的可靠性很大程度上取决于原始数据的准确性，即获得的样品近红外光谱及其化学值的可靠性。样品的原始数据，即样品的近红外光谱图和化学值的相关性，其直接影响模型的预测能力，而异常样品的干扰是影响分析模型的重要因素，因此异常样品的判别与处理是提高模型预测能力的一个重要步骤。产生异常样品的原因如下：①测量仪器、测量方法及环境等客观因素的影响；②技术人员主观因素的作用；③样品的复杂性、多样性。所以判断异常数据是近红外光谱检测过程中首要解决的问题，建立定量分析模型时，样品中常常混有异常样品，需要在训练模型之前，把异常样品剔除。奇异点的存在会影响整体数据的分析，从而使校正模型的准确性降低，因此剔除奇异点对校正模型的建立和未知样品预测结果的准确性至关重要。

目前对样品的前期预处理的主要方法有主成分分析法、马氏距离法、杠杆值法、半数重采样法数据规范化处理、光程校正、基线校正、平滑消噪、导数消噪等。二是谱区信息的优化，即近红外光谱波长选择，对反应样品信息突出的光谱区域进行选择，筛选出最有效的光谱区域，提高运算效率。因此，在建模前，对原始光谱进行预处理是非常必要的，用以过滤噪声、提高信噪比、消除光程变化等。常用的滤波方法有积分法、累加/平均法、平滑；背景扣除及信号分离法有差谱法和导数法等；基线扣除和校正方法有线性漂移校正、附加散射校正（MSC），数据统计过程还采用中心化（Mean Center）和归一化处理（如SNV）等。