近红外光谱仪（NIR）主要利用样品中含氢基团（C-H、O-H、N-H等）对近红外光的合频和倍频吸收，从而实现对有机成分的定性和定量分析。它最擅长检测的是样品中与氢原子相关的化学键信息，因此对于含有大量有机物的样品，如粮食、药品、油品等，具有显著优势。
主要应用场景
在粮食与农产品中，近红外光谱仪常被用于快速测定水分、蛋白质、脂肪和淀粉含量。例如，小麦收购时，几分钟内即可测得蛋白质和水分，用于品质分级和定价。在药品领域，它可用于原料药的有效成分含量、水分以及混合均匀度的无损检测，适合在线质量控制。在油品与化工领域，则常用于检测汽油的辛烷值、柴油的十六烷值，以及润滑油中的酸值、添加剂含量等。
此外，近红外在食品、饲料、土壤和生物样本中也广泛应用。但需要注意，所有检测都依赖预先建立的数学模型（校正模型），需要针对具体样品类型和参数进行建模和验证。
可检测指标与样本要求
近红外光谱仪直接测得的是光谱信号，并非成分的绝对含量。它需要将光谱与参考方法（如凯氏定氮法、液相色谱-质谱联用等）测得的数值进行关联，建立数学模型，才能得到定量结果。因此，输出数据通常为待测成分的浓度或物理性质指标，单位取决于校正模型。
样本需要满足一定条件：固体样品需保证表面平整或粒度均匀；液体样品需避免气泡和分层；水分、温度、颗粒大小等物理因素会影响光谱，因此需严格保持一致。此外，样品中待测成分浓度应在模型覆盖范围内，否则预测精度会下降。
能回答的问题与局限
近红外光谱仪能回答的问题包括：样品中某有机成分的含量范围？样品之间的化学差异是否显著？不同批次产品的质量是否一致？它特别适合快速筛选和实时监控，能够节约大量时间和试剂成本。
然而，它不能检测无机盐、金属离子或纯无机物，例如氯化钠、铁离子等。对于浓度极低（如痕量杂质）的有机成分，也不够灵敏。而且，模型的建立和转移是一个复杂过程，不同仪器间、不同环境条件下可能需要对模型进行校正。
常见问题分析
在使用近红外光谱仪时，可能遇到一些常见问题，以下表格列出了典型表现和可能的解决方向：
| 问题 | 原因 | 解决方案 |
|---|---|---|
| 测量结果与化学分析值偏差大 | 样本状态不一致、模型适用性差或环境波动 | 检查样本制备是否规范，验证模型是否覆盖当前样品，重新标定或更新模型 |
| 光谱重复性差 | 样品放置位置变化、温度漂移或仪器光源不稳 | 规范操作流程，预热仪器，使用标准样品校正 |
| 特定样品预测精度低 | 样品基质与建模样品差异大，或成分浓度超出模型范围 | 补充建模样品，增加代表性，可能需开发专用模型 |
表格所列问题只能作为初步判断的依据，实际处理时仍需回到样本制备、光谱采集和模型验证等环节进行具体分析。
何时需要深入排查
当光谱异常、模型预测持续失准，或需要对新建模型进行验证时，就应从常规应用转向参数调整、模型维护或更深入的排查。此时需要检查仪器的波长准确性、信噪比，以及样品的前处理流程。