1.一种基于近红外光谱的纤维成分鉴别方法，其特征在于，包括如下步骤：a)建立鉴别模型：

采用若干种已知种类的纤维建立纤维的标准试样光谱数据库，基于PLS‑DA分类方法建立的纤维成分鉴别模型；

b)分类前预处理：

将待测试样的光谱曲线进行预处理，消除光谱曲线的基线漂移现象；

c)分类判别算法：

将待测试样的每一波段的光谱数据作为输入数据，进入步骤a)中所建立的PLS‑DA模型中，并通过该模型进行预测Y值的计算，计算公式如下：F0＝t1r1+t2r2+...+tmrm+Fm；

式中tm为第m个成分，rm为第m个成分的回归系数，F0是计算得到的因变量值，Fm为残差* *

值；akp为第p个主成分的回归系数，Xp为第p个主成分，FAK为残差矩阵，Yk为待测试样的预测Y得分矩阵，为1×m维的向量，m为经过训练模型中可分类的类别数，形式为：Y值即为Bayes判别中的概率密度函数值fi(x)，依据Bayes判别公式进行成分类别判定，判别函数公式如下：

式中P(Gi〡x0)为后验概率，qi为先验概率，即将x判别给后验概率最大的类别中，再通过ROC曲线中所设定的阀值同样为1×m矢量，其中每一列值为该列所分配类别所设定的阀值，形式为：

[Thr1 Thr2 ... Thrm]；

最终，通过阀值判别函数确定待测试样是否通过阀值判别，判别通过则归属于该成分类别，判别失败则将其归属于未归类类别中。

2.如权利要求1所述的一种基于近红外光谱的纤维成分鉴别方法，其特征在于：所述步骤a)中，模型的样本选择方法采用SR、KS、CG或者SPXY。

3.如权利要求1所述的一种基于近红外光谱的纤维成分鉴别方法，其特征在于：所述步骤a)中，模型的潜在成分数量为15～20。

4.如权利要求1所述的一种基于近红外光谱的纤维成分鉴别方法，其特征在于：所述步骤b)中，采用Min‑Max归一化、SNV、MSC或者一阶导数方式进行预处理。

5.如权利要求4所述的一种基于近红外光谱的纤维成分鉴别方法，其特征在于：采用一阶导数方式进行预处理，以前后差分法计算原始光谱数据的一阶导数值，计算公式如下：式中，xi为波段序号，yi为反射率，h为差分法所设定步长，设定为1。

6.一种基于近红外光谱的纤维成分鉴别模块，其特征在于：包括纤维成分鉴别系统软件，所述纤维成分鉴别系统软件采用如权利要求1至5中任一项所述的一种基于近红外光谱的纤维成分鉴别方法并通过Visual Studio 2017以C#语言实现编制。

7.如权利要求6所述的一种基于近红外光谱的纤维成分鉴别模块，其特征在于：所述纤维成分鉴别系统软件中的标准试样光谱数据库以txt的形式进行管理，待测试样的光谱数据以txt的格式导入进纤维成分鉴别系统软件中。