工程塑料优异的介电性能和金属可替代性， 使其成为5G建设的热门材料。 对外观相近但性能不同的几种工程塑料的检测与定性分析， 有助于工程塑料更好地应用于5G线路板和天线模块的制造。 应用太赫兹时域光谱技术（THz-TDS）对几种常见的工程塑料PEEK、 PPS、 ABS进行光谱检测， 分别得到三种工程塑料在太赫兹波段的光谱数据。 通过快速傅里叶变换， 将三种工程塑料的THz时域光谱进行转换， 获取工程塑料在0.1~1.2 THz下的THz频域光谱， 并经过计算提取出相应的吸收光谱。 分析THz时域光谱可知， 不同种类工程塑料的THz时域谱存在时间延迟线和振幅的差异， 可以直观地显示出各种塑料间的差异， 这表明工程塑料的THz-TDS分类识别具有一定的可行性。 但由于同属工程塑料， 在太赫兹波段上表现为峰位、 峰值相近， 且各个材料无明显的THz特征吸收峰， 因此无法直接以指纹谱进行判定。 鉴于此， 研究将非线性工具卷积神经网络（CNN）应用于无明显特征吸收峰的工程塑料识别研究的可行性， 通过对CNN的网络结构和重要权值参数的优化， 提出了一种改进的CNN分类模型。 该模型使用LeakyRelu激活函数， 添加BN层， 利用Adams梯度下降算法， 保证分类器的鲁棒性， 加快网络分类速度， 提高太赫兹吸收光谱识别精度， 同时可以有效地解决由于THz光谱数据量不足而容易陷入局部最优问题。 并将该方法同传统的线性工具主成分分析-支持向量机法（PCA-SVM）进行对比。 对比实验结果显示: 改进的CNN分类模型平均运行耗时为0.15 ms， 训练集准确率为99.6%， 测试集准确率达到98.8%; 相较传统的PCA-SVM分类模型， 其分类效率大幅提升， 同时测试集分类准确率提高了27.3%， 训练集分类准确率提高了30.9%。 研究结果表明: 将THz-TDS与改进的CNN分类模型相结合， 能够实现对上述三种工程塑料的精确鉴别与分类识别， 为工程塑料的非接触快速无损检测和识别提供了新方法， 也为其他无THz特征峰物质的识别与检测方法研究提供参考。

为探究典型地物间光谱特征差异以及针对传统光谱分类方法预处理复杂、精度较低等问题，以大豆、玉米、水稻和裸土4类地物为例，充分挖掘变量在分类中的重要性，进行深度学习方法与传统方法的对比分析与验证。首先利用连续投影算法（SPA）进行基础波段筛选，对比分析在原始光谱、特征波段以及部分特征波段条件下一维卷积神经网络（1DCNN）和长短时记忆人工神经网络（LSTM）两种深度学习模型的分类精度，探究特征波段对原始光谱的信息承载能力；然后针对错分问题，采用进阶式波段筛选方法，在基础变量组合条件下，对各类地物错分样本进行再次训练，如此循环，直到分类精度无明显增加，研究错分样本的光谱特征及错分规律；最后比较不同方法的分类精度。研究结果表明：基础波段筛选可以剔除光谱数据中大量的冗余信息，简化网络结构，提高模型效率；进阶式波段筛选方法可以递进增补针对错分样本的有效光谱信息，对提高传统方法的分类精度具有较大意义；在不经过光谱变换等预处理步骤时，深度学习方法也能取得较高的分类精度，明显优于传统方法，但训练过程较为复杂，可解释性较差。

石油油品在一定的激发光照射下可产生相当强度的三维荧光光谱，是鉴别和分析石油污染物的重要依据。由于石油油品的荧光光谱特征复杂、数据庞大，不宜直接用数学模型描述，也不宜简单依靠人工观察分析。因此，根据深度学习的卷积神经网络（CNN）理论提出了一种直接利用石油油品原始荧光数据进行CNN建模的方法，利用其强大的非线性运算能力、自适应表示学习能力，自动隐性地从训练数据中进行特征学习，实现水环境中石油污染物种类识别。通过大量的荧光实验构建了石油油品（汽油、机油、柴油）的训练和验证光谱数据集，基于Python深度学习框架Keras建立了CNN模型，并对CNN模型在光谱数据集上进行了训练、验证与测试实验，实现了被测油品的种类判别。实验结果表明：该CNN模型对3种油品的训练集与验证集三维荧光光谱的分类准确率都达到了99.76%，综合测试分类准确率达到82.65%，对单物质分类准确率为100%，验证了三维荧光技术结合深度学习算法能够实现对石油油品准确可靠的判别分类，也为进一步研究基于深度学习的水环境污染物智能识别系统提供了技术支持，为环境检测提供了一种新思路与新方法。

在司法鉴定领域, 涉及电击死亡的案件多发, 鉴别死者是生前还是死后受到电击仍是法医病理学鉴定的难点问题之一。 为此通过傅里叶变换红外光谱融合机器学习模型对心脏组织视角下的电击死和死后电击两种情况开展分类识别研究。 将30只大鼠进行电击死、 死后电击和对照处理, 通过光谱仪扫描得到其心脏组织光谱, 采用竞争性自适应重加权算法共提取到70个光谱特征波长, 建立随机森林模型对特征波长提取前后的心脏组织光谱进行模式识别； 结果表明, 特征波长提取前后模型分类识别的准确率分别为34.9%和73.7%, 验证了特征波长提取方法的有效性和必要性。 同时建立偏最小二乘模型、 传统支持向量机以及粒子群算法和灰狼算法优化的支持向量机模型进行分类识别, 结果表明, 模型分类识别的准确率分别为61.07%、 34.48%、 100%和98.46%, 对比发现经特征提取后的粒子群优化支持向量机模型分类识别效果最好。 为排除“生物学死亡期”的干扰, 又取60只大鼠按同种方式对其处理, 每组又分死后0.5 h和死后1 h 2个亚组, 再次通过傅里叶变换红外光谱仪扫描得到光谱数据, 数据预处理后将其与之前得到的数据进行一并处理并结合粒子群优化支持向量机模型分析, 结果表明, 该方法分类识别的准确率可达到80.85%。 这为电击死领域的法医学鉴定提供了新的研究思路和方法, 说明傅里叶红外变换红外光谱结合机器学习模型可以作为一种补充工具来提供相对客观的判断, 具有重要的研究意义。

高光谱成像凭借高的光谱分辨率、 图谱合一、 波段多的特点, 能够为待分类目标提供多维的参考信息, 从而提高分类精度。 爆炸破片的识别回收能够为爆炸威力的评估和防爆措施的设计提供参考。 针对当前破片检测中多采用可见光波段或红外波段等单个波段进行检测, 忽略了破片目标与背景对不同波长的光有着不同的吸收程度, 没有将多波段破片特征充分利用, 为此结合高光谱检测手段, 提出了一种空间分割结合光谱信息的爆炸破片识别方法。 在实验室环境下, 首先采集铁质破片、 石头、 树叶的高光谱图像, 对采集的样本图像数据做预处理, 包括去噪声以及黑白校正反演反射率信息等, 感兴趣区域随机提取三类样本像素点共750个, 随机选取600个点作为训练集其余作为测试集, 通过训练后得到预测准确度分别为88%、 88%、 94%的决策树模型。 其次模拟了铁质破片散落在含有石头树叶的沙土中的场景并采集其高光谱数据, 通过前后级联的空谱融合方法, 在空域经过图像增强和去噪等预处理之后, 采用边缘检测结合区域生长以及形态学处理的方法对空间图像进行分割, 得到沙土上有形态的目标, 空间分割的交并比(IOU)达到93.5%, 真阳率(TPR)达到97.4%； 然后结合光谱域训练得到的决策树模型, 对各个分割区域的每个像素点进行谱域的类型识别, 参与分类的三类像素点个数分别为146 172、 50 484、 213 438, 识别准确度分别为87%、 86%、 96%； 最后将分类结果可视化, 以每个区域像素点最多的一类代表该区域类别, 将目标破片与石子和树叶两种背景进行了准确的识别, 以标定后的分割图像为标准, 三类像素点个数分别为155 502、 52 045、 217 794, 识别率分别为94%、 97%、 98%。 分析结果表明空间分割结合光谱信息的识别方法能够有效利用空间和高光谱的特征信息对铁质破片目标进行准确识别。 同时验证了使用高光谱成像进行空谱联合识别爆炸破片的科学性以及可行性, 对未来采用智能化识别破片的方式评估破片战斗部威力具有一定的实用意义。

针对某些特定环境下, 伪装目标和背景目标出现的“异物同谱”现象, 传统的可见光及多光谱遥感伪装识别存在局限性, 为此, 将高光谱应用到典型伪装材料的特征分析与识别。 以北方地区常用丛林迷彩伪装网为研究对象, 利用SVC HR1024光谱仪获取其不同浸水时间的可见光-近红外光谱, 通过光谱相似性度量和包络线去除处理, 分析揭示不同浸水条件下伪装网和北方典型植被光谱特征和敏感波段, 并基于近红外波段构建光谱比值指数RCI, 用于识别绿色植被环境中的伪装目标, 最后通过高光谱成像实验获取仿真伪装环境高光谱图像, 并利用高光谱图像对识别效果进行验证。 结果显示: (1)不同浸水时间的丛林迷彩伪装网的光谱曲线基本形态相似, 且反射率随浸水时间的增加而整体呈下降趋势; 1 900 nm波段是伪装网反射光谱对含水量响应最为明显的波段, 其光谱特征会因浸水处理而相似于植被, 相似度从0.895提高到了0.939。 (2)丛林迷彩伪装网和植被在可见光波段的相似度较高, 光谱波动情况相似, 但在近红外波段光谱特征差异明显。 通过包络线统去除分析得出970, 1 190和1 440 nm波段附近处是丛林迷彩伪装网识别的敏感波段, 且基于迷彩伪装网和各植被在900~1 900 nm波段范围内存在的2处明显反射率斜率的差异, 构建了伪装网识别特征指数RCI1(R1 190/R1 270)和RCI2(R1 270/R1 440)。 (3)基于RCI指数构建决策树分类模型, 可以快速有效的将伪装目标从绿色植被背景中提取出来。 实验结果表明, 基于RCI指数对伪装目标区域进行识别提取, 所得结果在形态和大小上与原影像具有较好地一致性, 识别精度可达95%, 表明该指数对于伪装目标具有较好的识别效果。