盐气溶胶是大气污染监测的重要对象。使用基于高功率超快激光的光丝诱导荧光光谱（FIFS）技术可以实现大气气溶胶的远距离快速定量分析，该技术有望成为下一代激光雷达的核心技术。用NaCl气溶胶模拟大气气溶胶污染物，针对自吸收效应导致光强与物质质量浓度偏离线性关系的问题，提出基于一维卷积神经网络的NaCl气溶胶质量浓度预测模型，并将其与多元线性回归模型、偏最小二乘回归模型、BP传播神经网络模型和定标曲线模型进行了对比实验。在各质量浓度（0.33~6.61 mg/m³）NaCl气溶胶全波段光谱数据集和特征波段光谱数据集上的实验结果表明：所提一维卷积神经网络模型在特征波段光谱数据集上的预测准确率为1，在泛化预测实验中的准确率为0.87，优于其在全波段光谱数据集上的结果，同时也优于其他模型。该模型对自吸收效应下的非线性定量分析具有良好的准确性和鲁棒性，为FIFS技术应用于大气气溶胶质量浓度预测分析提供了可靠的定量分析技术。

大气污染对人类的生产生活有极大影响，气溶胶作为污染物的重要部分，不容忽视。提高对大气气溶胶浓度检测的精确性，尤其是低浓度气溶胶，具有十分重要的意义。本文基于光丝诱导荧光光谱技术，对NaCl气溶胶数据进行预处理，并结合偏最小二乘法建立预测模型，探索不同预处理方法对模型检测精度的影响。讨论如何科学合理地选择预处理方法，按照预处理方法效果分为散射校正、平滑去噪、基线校正3个方面，并提出波峰显著度算法。通过无预处理、单一预处理以及组合预处理进行最优预处理方法的选择，并分析其建模精度的影响。实验结果表明，应用多个预处理方法的组合，与无预处理相比，均方根误差降低至0.03，预测相对误差减少60%；与直接观察光谱信号选择预处理方法相比，根据光谱信噪比的提升及预测组分的建模效果可以更为准确地选择最佳预处理方法。该研究为开展低浓度大气污染物的分析研究提供了一定的参考。