拉曼光谱法能识别塑料制品光谱特征峰，但操作流程繁琐且准确率有待提升，对此提出了基于一维卷积神经网络 (one-dimensional convolution neural network, 1-D CNN) 的塑料制品分类算法，首先建立以聚乙烯 (polyethylene, PE) 、聚丙烯 (polypropylene, PP) 、聚对苯二甲酸乙二醇酯 (polyethylene terephthalate, PET) 和聚苯乙烯 (polystyrene, PS) 为原材料的40种塑料包装样本数据集；然后设计1-D CNN、K近邻 (KNN) 、决策树 (DT) 和支持向量机 (SVM) 4种算法模型进行训练，并在光谱分类流程、模型准确率和鲁棒性等方面进行对比。实验结果表明，1-D CNN在不经过预处理条件下分类准确率达到98.62%，且在60 dB噪声下仍有96.42%的准确率，优于另外3种传统机器学习算法模型。该结果证实，拉曼光谱融合神经网络的多分类方法可提升塑料制品检测性能。