O espectro no infravermelho próximo é facilmente afetado por amostras anômalas na análise quantitativa. O espectro é formado pela sobreposição de picos de absorção de grupos contendo hidrogênio. Métodos tradicionais analisam o espectro como um todo, dependendo apenas de características globais, tornando difícil identificar características anômalas sutis em picos específicos, e seus limites fixos também carecem de adaptabilidade. Para isso, este artigo propõe uma estratégia de reconhecimento de amostras anômalas baseada na decomposição de mistura gaussiana. Um modelo de mistura gaussiana é estabelecido dentro dos picos de absorção chave, decompondo os picos sobrepostos em múltiplos componentes gaussianos. Depois, um intervalo normal é construído com base no critério do intervalo interquartílico para a amplitude de cada componente, e as amostras que excedem esse intervalo são consideradas anômalas. O método proposto foi aplicado para prever a concentração total de açúcar na mistura da fase de matéria-prima da fermentação do ácido cítrico, e os resultados mostram que o método identifica efetivamente amostras anômalas tanto artificiais quanto em espectros reais. Em comparação com o espectro original, o modelo PLS construído após a remoção das amostras anômalas reduziu o RMSE em 34,69% e aumentou o R2 em 26,28%. Este método, ao analisar a composição dos picos de absorção, realiza uma detecção adaptativa das características anômalas locais, fornecendo um caminho estruturado e explicável para melhorar a qualidade do espectro no infravermelho próximo.

espectro no infravermelho próximo; reconhecimento de amostras anômalas; modelo de mistura gaussiana; decomposição de picos sobrepostos; fermentação do ácido cítrico