【摘要】【目的】基于近红外光谱分析技术(NIRS)构建杨木、松木木屑的含水率预测模型，并将2种木屑样本光谱数据集混合建立含水率预测模型，实现同时预测多树种木屑含水率。为提高NIRS模型预测木屑含水率精度与普适性提供理论依据。【方法】本研究采用偏最小二乘回归(PLSR)、支持向量机回归(SVR)建立制浆材木屑含水率NIRS预测模型。采用粒子群算法(PSO)、灰狼算法(GWO)优化模型超参数。以制浆原料中的木屑为研究对象，采集了由杨木和松木为主的120份木屑样本的近红外光谱。分别采用杠杆值与学生化残差t检验法(HLSR)和标准正态变量变换(SNV)等方法对原始光谱数据进行异常样本剔除和预处理，采用无信息变量消除法(UVE)等提取特征波段，对比经GWO、PSO优化的SVR模型和PLSR模型的性能。【结果】对杨木木屑含水率最优NIRS模型，最佳预处理方法为SNV+Auto+SGS，结合CARS构建PSO-SVR模型(R_P~2=0.916 4,RMSEP=0.114 8%)。对松木木屑含水率最优NIRS模型，最佳预处理方法为SNV+Auto+SGS,结合UVE构建PSO-SVR模型(R_P~2=0.934 3,RMSEP=0.063 7%)。对混合木屑含水率最优NIRS模型，最佳预处理方法为MSC+Auto+SGS，结合UVE构建PSO-SVR模型(R_P~2=0.922 1,RMSEP=0.111 1%)。【结论】NIRS可以用于预测单一树种木屑含水率，建立同时预测多树种木屑含水率预测模型是可行的。通过不同预处理和优化算法进行比较筛选组合进行模型优化可以显著提高木屑含水率近红外估测模型的精度。为实时检测制浆材木屑含水率提供了理论依据和技术支持。