为了实现对记号笔墨水的检验与认定，采集了广博等5种品牌共计40支黑色记号笔红外指纹图谱数据。采用了多元散射校正、峰面积归一化、自动基线校正和Savitzky-Golay平滑等技术，建立了基于多层感知器的黑色记号笔墨水分类模型，进行了理论分析和实验验证。结果表明，红外指纹图谱能反映分子结构的细微变化，可将水性与油性记号笔区分; 针对4种油性记号笔样本，发现模型在30维矩阵上特征提取最好，准确率为100%, 其中特征12、特征26和特征17对模型区分效果的贡献程度最高，分别为0.0355, 0.0347和0.0346;4种油性品牌记号笔样本均实现了100%的准确区分, 其中乐途品牌样本聚敛程度较高，分布集中，其墨水组分和含量差异较小，宝克品牌样本分布较为分散，其墨水组分和含量相对差异较大; 在验证性分析中，8个待判定样本均实现了100%的准确区分和归类，实验结果理想，利用红外指纹图谱结合多层感知器可实现黑色记号笔墨水品牌间的准确识别与分类。该方法提高了检验鉴定效率、降低了检验鉴定成本、可满足一线执法人员快速、准确的检验需求。研究结果具有一定的普适性和借鉴意义。

水性木器漆是一种犯罪现场常见的微量物证，在法庭科学领域广受关注。为了实现对水性木器漆中复杂化学成分的检测分类，采用具有较高分辨能力和无损检验特点的喇曼光谱，结合主成分分析和径向基函数神经网络两种数据挖掘技术，对3种品牌共38个水性木器漆样本的喇曼光谱进行了数据分析。结果表明，径向基函数模型下可得到准确率为78.9%的分类识别。采用傅里叶变换喇曼光谱结合径向基函数模型实现对水性木器漆的鉴别与分类，为实践中木器漆的分类研究提供新思路。

为了提高检验鉴定效率、降低检验鉴定成本，实现对案件现场车用保险杠碎片的快速无损检测，采用了基于红外指纹光谱结合牛顿插值多项式、光谱求导和判别分析的车用保险杠鉴别方法。采集并获取奥迪等6种品牌共计40个不同型号的车用保险杠样本的红外光谱，选择牛顿多项式插值、光谱求导等方法建立了判别模型。结果表明，基于指纹区波段建立的判别模型总体准确率(80.0%)高于全波段模型(77.5%)，指纹区光谱结合4次牛顿插值多项式处理后的判别准确率可到85%，经1阶导数处理后判别准确率可达100%，以判别函数DF₁和DF₂作为判别轴构建判别分类模型，6种品牌的样本均实现了100%的准确区分；红外指纹光谱结合4次牛顿插值多项式、1阶导数和判别分析可实现车用保险杠品牌快速、无损鉴别，且模型检测精度高。该方法具有普适性和一定的借鉴意义。