摘要：利用近紅外光譜技術預測蒙古櫟（Quercus mongolica）抗彎彈性模量（MOE）,提出GN（global and neigh-borhood）樣本優選與CPLS多模型共識的建模方法。選取近紅外光譜譜段為900-1 700 nm,徑切面和弦切面采集。首先,采用一階導數與S-G卷積平滑相結合的方法進行數據預處理;然后,利用GN算法計算光譜樣本間的全局和鄰域馬氏距離,實現蒙古櫟MOE異常樣本的剔除與校正集、預測集的自動劃分;最后,融合具有多個成員樣本子集的PLS模型,構建CPLS共識模型,取平均值作為最終預測結果。實驗采用135個300 mm×20 mm×20mm的無疵小試樣為樣本,剔除異常樣本12個,并選取其中78個為校正集樣本,45個為預測集樣本。結果表明,一階導數處理能夠消除光譜背景平緩區域干擾,S-G能消除小峰值無關吸收峰的影響;GN樣本優選與CPLS結合的建模方法,預測相關系數為085,相對分析誤差（RPD）為193,預測效果比傳統PLS建模更好,且穩定性有所提高,但該改進模型方法的RPD依然小于25,因此,可做初步分析,準確地進行定量預測依然存在局限性。