辐射监测系统是应对突发性核事故、放射性污染和放射源丢失等问题的重要工具和前提保障。无人机放射性监测系统具有高机动性和高灵活性，在辐射监测中已经有广泛应用。无人机由于载荷和飞行时间限制，对快速测量的γ能谱分析提出了更高的要求。传统的γ能谱分析方法对能谱数据要求高，对于低计数、低分辨率γ能谱识别效果较差，在无人机放射性监测系统中表现不佳。针对无人机的快速测量能谱核素识别尚存的不足，本文提出了基于深度学习的多核素识别方法，并在小型无人机监测系统中对算法进行实际应用验证。本文的研究内容及结论如下：
　　(1) 基于MCNP模拟建立用于深度学习训练的核素数据集。利用不同放射源特征峰拟合能量与FWHM关系，根据MCNP模拟不同粒子数响应的γ能谱，并提出数据增强方法，对模拟的γ能谱通过随机组合、添加不同本底和能谱漂移等方式增加核素数据集能谱样本容量。结果表明所模拟能谱与实测能谱接近，保证后续算法的泛化能力和可靠性。
　　(2) 提出基于CNN和MLP的混合模型核素识别算法，其过程为通过CNN识别γ能谱中可能的放射性核素，结合 MLP 对输出结果的重叠峰情况进一步分析，排除误识别核素。其中CNN结构为AlexNet基础上的优化改进，包括γ能谱二维变换输入，BN层加速网络收敛等。通过分析并选择核素库中重叠峰ROI，以MLP进行重叠峰分辨。实验结果表明， CNN 具有高准确率和泛化能力，能够对多源以及漂移能谱有很好响应，所提出的混合模型算法也有效提高识别准确率。
　　(3) 提出了基于SNIP的能谱稀疏化算法，通过探测器能量刻度修正了SNIP的本底扣除效果，通过背景扣除和卷积的迭代计算将能谱向量稀疏化。实验结果表明该算法能有效保留能谱特征，并增强特征峰在能谱中的计数占比从而抑制噪声和背景干扰。比较原始能谱与经CSNIP 处理后能谱对神经网络识别结果的影响，后者能谱损失函数能有效收敛，在相同数据集下能提高4.5%准确率。
　　本文的研究内容在无人机应用上具有很好的效果，为无人机快速测量和复杂环境监测提供了保障，有助于提升现有辐射监测仪器的自动化核素识别和活度测量，在核应急监测中发挥更大的作用。