原位红外光谱技术能够在反应过程中实时监测动态化学工程、物质结构变化与分子振动，在催化机理研究、能源材料表征及生物分子检测等领域具有不可替代的作用。然而，实验所采集的光谱信号常受到仪器热噪声、环境扰动、样品散射及光路波动等多源噪声的叠加干扰，导致谱图基线漂移、特征峰展宽或湮没，严重制约了光谱的解析精度与定量可靠性。传统去噪方法如窗口移动多项式拟合法（Savitzky–Golay, S-G）、经验模态分解（Empirical mode decomposition, EMD）、离散小波变换（Discrete Wavelet Transform, DWT）、变分模态分解（Variational Mode Decomposition, VMD），往往存在参数依赖性强、模态混叠、高频细节丢失或过度平滑等问题，难以在复杂工况下实现噪声抑制与信号保真的平衡。

      针对这些问题，本研究提出一种冠豪猪算法（Crested Porcupine Optimizer, CPO）元启发式优化的变分模态分解去噪方法。该方法创新性地引入CPO算法，以分解后模态分量的最小能量熵为适应度函数，实现对VMD关键参数（模态数K与惩罚因子α）的自动全局寻优，从而克服了传统VMD参数依赖经验设置的局限。优化后的VMD将光谱信号自适应分解为一系列带限模态分量，每个BLIMF都是一个具有特定中心频率的紧凑、准正交分量。分解之后，执行关键的分量选择步骤。主要代表随机噪声的高频BLIMF被舍弃。相反，那些包含了基本化学信息和特征光谱标记的低频BLIMF被有选择地求和，以重构最终的去噪光谱。通过涵盖模拟和真实世界光谱数据的综合实验验证，CPO-VMD方法的性能优越性和实用价值得到了证实。利用三个叠加了加性高斯白噪声的高斯峰构建了基准模拟光谱，以便进行精确的定量评估。此外，该方法在两个具有代表性且富有挑战性的材料体系（NiFe LDH催化剂、镀金硅晶体）上获得的实验原位傅里叶变换红外光谱上进行了测试，与S-G平滑、EMD、DWT、VMD等传统去噪方法对比，结果表明：对于模拟信号，CPO-VMD方法取得了24.12的最高信噪比，其重构信号与真实信号的相关系数达0.9948，均优于其他方法；在实际光谱处理中，对于NiFe LDH催化剂光谱，该方法在去除噪声的同时能保留2300-2400 cm-1区域的峰值信息，而其他方法在此区域要么引入了畸变，要么残留了噪声；对于镀金硅晶体光谱，该方法在1050-1200 cm-1主峰区域能有效保留峰形与强度，而其他技术则存在过度平滑或噪声去除不足的问题。这证明了该方法在有效抑制噪声的同时，能更完整地保留特征峰的峰位、峰形与强度信息，显著提升了光谱质量与分析可靠性。本研究不仅为原位红外光谱提供了一种高效、稳健且自动化的去噪方案，也为VMD参数优化问题提供了新的解决思路，具有重要的方法论意义与应用价值。