在复杂环境中，由于不可避免的噪声和基质干扰，现代光谱技术难以实现高精度定量分析。尽管机器学习可以提高性能，但其对大规模数据集的依赖与工业应用中数据量有限的现实相矛盾，有限的数据会加剧由噪声引起的过拟合问题。为解决这一挑战，本文提出了通用光谱噪声建模与生成重建（SNMGR）策略。该策略基于扩散概率模型，通过将噪声干扰建模与生成重建深入整合，有效抑制少样本场景下的强干扰效应。为验证SNMGR的有效性，本研究以飞秒LIBS技术对锂矿的定量分析作为典型案例进行实验。研究仅基于7个校准样本的210份光谱数据构建生成模型，并系统比较了5种具有不同架构的主流机器学习模型在3个未知测试样本上的定量分析性能。结果表明，结合SNMGR后，这5种模型的定量预测精度均相比基准模型有了显著且一致的提升。以CNN-SNMGR模型为例，其预测平均绝对误差从1.801 ppk大幅降至0.611 ppk，降低了66.06%；均方根误差则从2.226 ppk降至0.778 ppk，降低了65.05%。研究表明，SNMGR为资源受限条件下的光谱干扰校正提供了可行解决方案。此外，其与多种机器学习模型的兼容性为在复杂工业环境中大规模应用光谱定量技术开辟了新途径。
