红外光谱分析具有快速、 精确度高等优点, 在分类鉴别领域中发挥着重要作用。 红外光谱在生活垃圾分类领域的应用主要集中在塑料等可回收垃圾而忽略了对不可回收垃圾的深度分选。 现行生活垃圾的四分法分类中, 源头分类得到的其他垃圾中含有多种具有高值化利用潜力的组分, 可分为纤维素类、 烯类聚合物、 木竹类等。 这些垃圾的成分和结构不同, 因此具有不同的红外谱图, 基于其红外谱图特征波段利用机器学习建立相应的分类模型可以将上述几类垃圾从其他垃圾中分选出来。 本研究收集了纤维素类、 烯类聚合物、 木竹类及低值类垃圾, 并采集红外光谱数据共72组, 对比分析了预处理方式、 降维程度和建模算法对模型分类准确率的影响。 利用标准正态变量变换(SNV)、 多元散射校正(MSC)、 求导(DC)和平滑滤波(Smooth)方法对数据进行预处理, 然后利用主成分分析法(PCA)对预处理后的数据进行降维, 获得72×8和72×5的数据集。 分别利用概率神经网络(PNN)、 广义回归神经网络(GRNN)、 支持向量机(SVM)和随机森林(RDF)算法进行建模。 分析结果表明, 经PCA降维后的数据用于后续建模时, 5维数据比8维数据得到的分类效果更好, 平均准确率上升2.4%~4.4%。 基于5维降维数据, DC/Smooth预处理方法比SNV和MSC预处理得到的平均准确率更高, 达到了96.5%; PNN模型比其他三类模型的平均准确率高4.2%~6.5%, 可达98.1%; 针对四类垃圾, 除烯类聚合物的平均判别率只有93.8%外, 纤维素类及木竹类的平均判别率均在95%以上, 低值类最高可以到达100%。 验证了红外光谱结合机器学习实现其他垃圾深度分选的可能性及科学性, 为未来开发快捷深度分选设备提供参考。