石油油品在一定的激发光照射下可产生相当强度的三维荧光光谱，是鉴别和分析石油污染物的重要依据。由于石油油品的荧光光谱特征复杂、数据庞大，不宜直接用数学模型描述，也不宜简单依靠人工观察分析。因此，根据深度学习的卷积神经网络（CNN）理论提出了一种直接利用石油油品原始荧光数据进行CNN建模的方法，利用其强大的非线性运算能力、自适应表示学习能力，自动隐性地从训练数据中进行特征学习，实现水环境中石油污染物种类识别。通过大量的荧光实验构建了石油油品（汽油、机油、柴油）的训练和验证光谱数据集，基于Python深度学习框架Keras建立了CNN模型，并对CNN模型在光谱数据集上进行了训练、验证与测试实验，实现了被测油品的种类判别。实验结果表明：该CNN模型对3种油品的训练集与验证集三维荧光光谱的分类准确率都达到了99.76%，综合测试分类准确率达到82.65%，对单物质分类准确率为100%，验证了三维荧光技术结合深度学习算法能够实现对石油油品准确可靠的判别分类，也为进一步研究基于深度学习的水环境污染物智能识别系统提供了技术支持，为环境检测提供了一种新思路与新方法。

采用平行因子分析(PARAFAC)和交替残差三线性(ART)算法,对石油类污染物进行测量与识别,重点对比分析了两种算法对油种鉴别的差异。在实验中,将以CCl4为溶剂的95号汽油、0号柴油与普通煤油溶液作为研究对象,以不同浓度的石油类物质混合液作为实验样本,利用F-7000荧光分光光度计对样本进行检测,以得到各样本的三维荧光数据。测量样本的组分数估计值预设为3时,采用PARAFAC算法得到的柴油、汽油和煤油样品的回收率分别为(95.60±3.60)%、(94.67±3.66)%和(95.49±4.49)%;ART算法无需预设组分数,其测量得到的柴油、汽油和煤油样本的回收率分别为(96.58±2.17)%、 (95.17±9.17)%和(95.90±8.90)%。结果表明:两种算法都可用于三组分石油类污染物的识别与测量,均能得到较高的回收率;ART算法因无需预先设定组分数而更具优势。

提出了一种以十二烷基硫酸钠(SDS)胶束溶液为溶剂增溶、 增敏、 增稳石油类物质的新方法。 研究了石油类物质的荧光强度随SDS胶束溶液浓度的变化规律, 确定了其溶剂SDS胶束溶液的最佳浓度为0.1 mol·L-1。 使用FLS920荧光光谱仪测量得到不同稀释浓度的汽油、 柴油、 煤油SDS胶束溶液的三维荧光光谱矩阵(EEMs), 分析了瑞利(Rayleigh)散射、 拉曼(Raman)散射以及仪器光谱特性对测量光谱的影响, 经过光谱校正, 建立了三种油的SDS胶束溶液在激发波长为250～400 nm、 发射波长为260～500 nm范围内的三维荧光光谱图, 并确定了在一定浓度范围内荧光强度与浓度具有良好的线性关系。 在相同条件下, 用同样的方法配制各种浓度汽油、 柴油、 煤油水溶液作对比, 验证了SDS胶束溶液作为石油类物质的溶剂可以使水中石油类物质的溶解度增加、 荧光强度增大、 稳定性更好, 实现了石油类物质可以不依赖于某些有毒溶剂萃取, 又解决了其水中溶解度低不宜定量的问题。

通过三维荧光光谱技术和平行因子分析法相结合，提出了一种石油类污染物的识别和检测方法。以97#汽油、0#柴油和普通煤油的不同浓度CCl4溶液为测量样品，不考虑每种油的具体成分，仅将其视为一个整体作为一种组分来研究，通过汽油、柴油不同比例的混合以及存在煤油作为干扰物的情况下，利用FLS920全功能型荧光光谱仪测量得到样品的三维荧光光谱数据。经过激发与发射校正以及空白扣除，去除了仪器误差和散射的影响并得到了样品的真实光谱。实验采用基于平行因子的二阶校正算法分析测得的光谱数据，体现了算法的二阶优势，验证了在未知干扰存在的情况下依然能够对混合样品各成分进行准确的识别和浓度测量，并得到满意的回收率。

以三维荧光光谱技术结合平行因子分析算法研究了石油类污染物识别与浓度测量方法， 重点分析了两种以上成品油共存时对测量的影响。 以0#柴油、 97#汽油与煤油的CCl4溶液为测量样本， 通过两种或三种油不同配比的混合溶液来模拟多种石油类污染物共存的状态， 研究平行因子分析方法在复杂混合物共存体系成分分析时的特点。 实验分别针对汽柴油混合溶液、 柴煤油混合溶液以及存在少量煤油干扰成分的汽柴油溶液， 分解得到各溶质的激发与发射特征光谱， 实现了各混合样品中主要成分含量的同时测量， 计算了平均回收率。 结果表明， 该方法能够实现石油类污染物中共存成分的识别与浓度测量。