提出了一种基于相对熵的放射源γ能谱识别方法。首先, 利用主成分分析（PCA）算法压缩数据, 构造γ射线能谱的特征空间。然后, 采用随机化技术（RT）来使特征空间中γ射线能谱的特征值归一化, 这样, γ射线能谱的特征空间可以看作是概率空间。最后, 定义两个概率空间的相对熵来测量两个γ射线能谱的相对差异。大量实验表明, 所提方法能够更加有效地辨识γ射线能谱, 不仅计算量小, 而且对诸如统计浮动、谱峰偏移、底噪等因素具有很高的鲁棒性。

为了实现车载γ谱仪巡测系统对辐射剂量率的准确测定, 提出基于快速傅里叶变换(FFT)本底扣除法的改进型BP神经网络模型(FFT-BP神经网络模型)。 实验采用γ射线能谱分析法, 对不同间距处的137Cs放射源进行车载γ能谱测试, 将得到的谱数据通过快速傅里叶变换(FFT)扣除本底, 获得新的谱线数据。 应用FFT-BP神经网络模型对未知剂量的车载γ谱线作辐射剂量率的定量预测, 将预测结果同3个函数模型的拟合结果比较, 验证FFT-BP神经网络模型的预测效果。 结果表明, FFT扣除法能较好的削弱散射本底对γ谱线的影响, 能有效的降低谱线本底。 通过新谱线获得的特征峰面积和净谱线面积与辐射剂量率的相关系数均为099(p<005), 相关性显著。 模型拟合分析过程中, FFT-BP神经网络模型表现出较强的学习泛化能力, 预测较理想, 相对误差和累计误差分别低于06%和9%, 效果明显优于数学模型和γ能谱全能峰法, 可显著降低γ能谱分析辐射剂量率的误差, 且能有效提升工作效率。 因此, FFT-BP神经网络模型适用于γ能谱辐射剂量的预测分析, 为车载γ谱仪巡测系统测量辐射剂量提供了一种新型有效的分析方法。

在中子检测爆炸物的研究中，利用14 MeV中子与原子序数大于5的原子核相互作用可产生特征γ射线的特性，采用伴随粒子法结合DT中子飞行时间技术，使用尺寸为12.5 cm×20 cm的大体积NaI(Tl)探测器，对爆炸物所含元素C，N，O以及一些模拟炸药样品进行了瞬发γ谱测量。获得了几种典型样品的特征γ谱，并对其进行了分析。实验结果与欧盟同期结果进行了比较，表明本实验研究达到了目前国际同类实验的水平，可以为中子检测爆炸物识别技术提供实验支持。

根据D-T反应中子的能谱和角分布数据，建立了中子源模型；根据石灰岩地层标准刻度井群数据，建立了井模型。采用MCNP程序模拟了井中中子和γ射线的输运，得到了不同地层密度、不同源距处NaI探测器中的混合γ能谱和非弹γ能谱。在混合γ能谱2.5~4.5 MeV能区开窗，混合γ射线相对计数随源距的变化曲线显示，源距应选择在20~80 cm，密度与混合γ射线计数之间呈现非线性关系。在非弹γ能谱1.0~8.0 MeV能区开窗，非弹γ射线相对计数随源距的变化数据显示，源距应选择在20~40 cm或80 cm附近，密度与非弹γ射线计数之间成近似线性关系。