近红外光谱往往由成千上百个波长点组成，并不是所有波长点都与目标组分相关。为了建立一个高质量的模型，往往需要在多元校正前进行变量选择。基于群体智能的灰狼（Gray Wolf Optimizer）算法因其参数少，结构简单，易于实现，但是在光谱领域的应用还较少。本研究将GWO算法引入到近红外光谱的变量筛选中，以玉米数据为例，考察了GWO算法中狼群性能、迭代次数、狼群数量以及运算效率，并建立偏最小二乘（Partial Least Squares Regression）模型对玉米样品中蛋白质、脂肪、水分以及淀粉含量的测定。结果显示，GWO算法运算效率很高，经过参数调优后建立PLS模型，蛋白质、脂肪、水分以及淀粉保留变量数分别为19，19，14，34，预测均方根误差（RMSEP）从全波长PLS建模的0.2458，0.1224，0.3398，1.1058分别下降到0.1477，0.0801，0.1762，0.7398，下降了40%，35%，48%，33%，相关系数也相应地提高。因此，GWO算法不仅优化速度快、选择变量数少，还可以显著提高PLS模型的预测精度，是一种近红外光谱变量选择的有效方法。