针对核**/核材料识别系统中核材料浓度识别的关键技术问题，采用Monte Carlo方法，通过建立252Cf源驱动核材料裂变中子信号样本库，模拟分析了随探测器距离和角度及核材料浓度变化的裂变脉冲中子信号特点，基于深度学习之卷积神经网络，构建了一种252Cf源驱动核材料浓度识别方法，实现了对测试样本浓度的识别，且还与BP神经网络和K最近邻方法进行了对比试验研究。结果表明，卷积神经网络算法进行核材料浓度识别，得到了高达92.05%识别准确率，不仅解决了因探测器距离和角度变化时对核材料浓度识别准确率影响的难题，而且还获得了优于BP神经网络和K最近邻算法对核材料浓度识别的认识，这为252Cf源驱动核材料浓度识别提供了一种新的途径。

将经验模态分解方法应用于光电探测的裂变中子事件的分析与处理中,通过引入基于二次平滑度检测的自适应的分量处理机制和基于小波阈值技术的分量去噪方法,构建了一种基于光电探测的中子裂变事件信号去噪处理新方法。模拟实验和实测数据的分析结果研究表明,在同等条件下,此方法适应性好,通过去噪处理后,信号的信噪比高,且信号的平滑度也较好,避免了因采取过度的去噪处理而将一些有用信息损失掉的不足。同时,去噪程度指标可进行量化设置。