基于树叶样本的柑橘黄龙病近红外快速诊断技术已经被证明可行, 但目前的研究尚局限于以树叶为光谱采集部位。 树皮韧皮部作为病菌及特异性营养组分运送的主干道, 在黄龙病的病理机制、 病程发展中占据重要地位, 能够在疾病的早期阶段提供特异信息, 有助于疾病的早期诊断。 为了探索以树皮为样本建立黄龙病近红外检测技术的可行性, 分析不同采样部位对黄龙病近红外预测模型的影响, 设计了树叶、 树皮和综合（树叶+树皮）三种采样方案。 通过与标准正态分布法（standard normal distribution, SNV）、 多元散射校正法（multiple scattering correction method, MSC）、 一阶导数法（first derivative）和二阶导数法（second derivative）对比, 发现归一化法（normalization）对树皮光谱数据的处理效果最好。 分别采用偏最小二乘回归法（partial least squares regression, PLSR）和主成分回归法（principal component regression method, PCR）建立柑橘黄龙病预测模型, 发现预测集均方根误差（root mean square error of prediction, RMSEP）都在10-5量级, 并且树叶预测集均方根误差最小（RMSEP of leaves, 1.690 9×10-5）, 树皮均方根误差其次（RMSEP of barks, 1.889 0×10-5）, 综合均方根误差（RMSEP of composite samples, 2.567 6×10-5）最大; 预测集决定系数（the determination coefficient, r2）都在0.9以上, 并且树叶样本所建模型的决定系数最小（the determination coefficient of leaves, r2L, 0.939 6）, 树皮其次（the determination coefficient of barks; r2B, 0.941 5）, 综合样本所建模型的决定系数最大（the determination coefficient of composite samples; r2C, 0.960 3）, 说明三种采样方案所建立的模型都有很好的精度和预测能力, 以树叶为样本所得模型精度虽然最高, 但预测能力最弱, 而综合采样方案所得模型预测能力虽然最强, 但模型精度最低, 只有以树皮为样本所得模型的精度（RMSEPB=1.889 0×10-5）、 预测能力（r2B=0.941 5）都能保持在良好水平。 通过对比分析树叶、 树皮的原始光谱、 模型效果, 探讨了以树皮为样本建立柑橘黄龙病近红外快速检测技术的可行性, 为近红外光谱技术在黄龙病诊断方面的应用提供新的思路。

木材的种类识别是木材加工和贸易的一个重要环节, 传统的木材种类识别方法主要有显微检测法和木材纹理识别法, 其操作繁琐, 耗时长, 成本高, 不能满足当前需求。 本研究利用木材的近红外光谱（NIRS）结合模式识别方法, 以期实现木材种类的快速准确识别。 采用近红外光谱结合主成分分析法（PCA）、 偏最小二乘判别分析法（PLSDA）和簇类独立软模式法（SIMCA）三种模式识别对58种木材进行种类鉴别研究; 5点平滑、 标准正态变量变换（SNV）、 多元散射校正（MSC）、 Savitzky-Golay一阶导数（SG 1st-Der）和小波导数（WD）五种光谱预处理方法用于木材光谱的预处理; 校正集和测试集样品的正确识别率（CRR）用于模型的评价。 采用PCA方法, 通过样品的前三个主成分空间分布图分辨木材种类的聚类情况。 在建立PLSDA模型, 原始光谱的正确识别率最高, 分别为88.2%和88.2%; 5点平滑处理的光谱校正集和测试集的CRR分别为88.1%和88.2%; SNV处理的光谱校正集和测试集的CRR分别为84.4%和84.5%; MSC处理的光谱校正集和测试集的CRR分别为83.1%和84.2%; SG 1st-Der处理的光谱校正集和测试集的CRR分别为81.8%和82.7%; WD（小波基为“Haar”, 分解尺度为80）处理的光谱校正集和测试集的CRR分别为87.3%和87.2%。 可知, 在PLSDA模型中, 木材光谱未经预处理种类识别效果最后好。 在建立SIMCA模型过程中, 原始光谱的校正集和测试集的CRR分别为99.7%和99.4%; 5点平滑处理的光谱校正集和测试集的CRR分别为100%和100%; SNV处理的光谱校正集和测试集的CRR分别为99.5%和99.1%; MSC处理的光谱校正集和测试集的CRR分别为99.0%和98.4%; SG 1st-Der的光谱校正集和测试集的CRR分别为81.8%和82.7%; WD处理的光谱校正集和测试集的CRR分别为100%和100%。 可知, 在SIMCA模型中, 木材光谱经平滑和小波导数处理后的识别效果最好, 且光谱的校正集和测试集CRR都为100%。 采用三种模式结合五种不同的预处理方法对木材近红外光谱进行定性建模识别时, 由于木材样本属性复杂, 主成分分布图相互交织, PCA无法识别出58种木材; 原始光谱的PLSDA模型可以得到较好的判别模型, 但校正集和测试集的CRR只有88.2%和88.2%; 木材光谱经过5点平滑或WD预处理后的SIMCA模型可达到最好的识别效果, 校正集和测试集的CRR均为100%, 且WD-SIMCA模型因子数比5点平滑SIMCA模型小, 模型更为简化, 故WD-SIMCA为58种木材种类识别的最优模型。 研究表明光谱预处理方法可以有效的提高木材种类识别精度, 有监督模式识别方法SIMCA可以用来建立有效的木材识别模型, 近红外光谱结合模式识别可以为木材种类的识别提供一种快速简便的分析方法。

样品表面加热光斑和探测光斑的大小对光热技术有着重要影响，光热失调技术是一种新的可用于研究光学薄膜的微弱吸收的方法，文章理论分析了加热光斑和探测光斑尺寸对光热失调技术的影响。研究表明，加热光斑大小不变时，加热光调制频率增大，样品表面温升降低，温度分布区域减小；调制频率不变时，加热光斑越小，表面温升越大，分布区域越小。调制频率不变时，探测光斑越小，信号幅值越大，分布区域越小，信号幅值与加热光功率的线性关系的斜率越大，探测光斑的大小对信号幅频关系影响较小。研究结果对光热失调技术测量光学薄膜吸收具有重要意义。

光热失调技术是利用光学薄膜反射或透射光谱的温度效应研究薄膜吸收的一种新方法,是光热技术的一种。以BK7玻璃为衬底的高反射膜为样品,以连续激光为加热光源,实验研究了该方法反射和透射探测方式,以及加热光束入射角度对光热信号的影响,得出反射和透射光热信号相位相反,加热光束入射角对光热信号的影响较小,进一步验证了光热失调技术测量光学薄膜吸收的可行性,为该方法的应用提供实验依据。

研究二阶偏振模色散(PMD)对高斯光脉冲在单模光纤中传输产生的影响,给出输出光脉冲的时域表达式.分析表明,输出光脉冲在每个基本偏振态上仍保持高斯形状,但其频率啁啾及脉宽等特性都已改变,文中对这些变化与二阶偏振模色散之间的关系进行了讨论.通过比较10 Gb/s和40 Gb/s的光传输系统中二阶偏振模色散的影响,可以发现,若规定脉冲展宽不能超过脉宽的十分之一,40 Gb/s系统所能容忍的二阶偏振模色散极限值比10 Gb/s系统小一个数量级.