以252Cf中子源驱动噪声分析测量法为依据，利用中子脉冲信号自相关函数与被测核材料(252U)质量的关系，设计了一种基于神经网络的核材料质量识别方法，探索借助时域特征进行质量识别的有效性。利用平稳小波变换抑制中子统计涨落对自相关函数带来的影响，利用分布式Elman神经网络对不同质量核材料的自相关函数样本进行训练和识别，并研究了有限样本前提下不同子网个数对最终识别结果所造成的影响。对4种核材料质量共计120组样本进行的实验，结果表明：在理想实验条件下，平稳小波变换抑制了统计涨落对信号自相关函数的影响；分布式Elman神经网络能够较好地识别自相关函数的特征，分辨不同质量的核材料，平均识别误差小于0.1。

针对252Cf自发裂变中子源构成的核信息系统，以实际所测随机中子脉冲数据的自相关函数为研究对象，借助仿真实验， 利用Elman神经网络对不同质量核材料进行识别。在实测数据的基础上，通过叠加随机抖动，模拟产生了不同质量核材料的相关函数样本，并将其用于神经网络的训练与测试，实验结果表明，训练过的Elman神经网络能够较好地识别相关函数的特征，分辨不同质量的核材料，平均识别率达到85%，综合平均误差为0.04，且具有较高的鲁棒性。