物质的太赫兹光谱具有独特的“指纹谱”特性,因此可以利用该特性对物质进行识别。随着人工智能技术的发展,机器学习以及深度学习算法在太赫兹光谱识别领域也得到了越来越广泛的运用。尤其深度学习技术与大规模标注训练数据集的集成使得大规模目标识别达到了较高的性能水平。然而,在实际应用中,受实验设备、实验条件以及实验环境等因素的影响,我们所获取的太赫兹光谱数据并不总是大规模的,甚至在某段采样频率内物质的太赫兹光谱数据出现了缺失的情况,无法满足深度学习算法所需的大量数据。如何有效的利用这些小样本数据对物质进行识别是太赫兹光谱识别领域当前面临的一个较大问题。为了解决这一问题,本文探讨了一种基于特征迁移的太赫兹光谱识别方法。首先利用S-G滤波和三次样条插值法对Maltotriose,Maloheptaose,Maltotetraose,Maltopentaose,Malthexaose在0.9-6Thz内的太赫兹透射光谱数据进行预处理,并以Maltotriose,Maloheptaose在0.9-6Thz的太赫兹透射光谱作为源域数据集,以Maltotetraose,Maltopentaose,Malthexaose在0.9-6thz的太赫兹透射光谱作为目标域数据集,然后训练一个卷积神经网络（Convolutional neural network,CNN）用于提取源数据集的光谱特征并将提取的源域数据集的特征迁移到目标域数据集上,最后将融合得到的光谱特征输入至集成分类器进行分类识别。实验结果表明,基于特征迁移的太赫兹光谱识别方法能有效地解决样本数量不足导致的过拟合问题,提高小样本情况下的太赫兹光谱识别准确率。基于特征迁移的太赫兹光谱识别方法也存在着一定的局限性,当源域数据集与目标域数据集相关性较低时,迁移效果将大打折扣,甚至出现负迁移的现象。因此本文还研究了小样本太赫兹光谱数据增强及识别方法。该方法不仅能修复缺损的太赫兹光谱数据,同时可以生成数据以增强光谱数据多样性,从而更好地对物质进行识别。首先用同样的数据处理方法对十种物质（Anthraquinone、Benomyl、Carbazole、Mannose、Riboflavin、Malthexaose、Maltoheptaose、Maltopentaose、Maltotetraose、Maltotriose）的光谱数据进行预处理,然后通过生成对抗网络（generative adversarial networks,GAN）对存在缺失的太赫兹光谱数据进行修复,此外GAN还可以生成具有真实太赫兹光谱数据分布的仿真数据。最后,将修复后的数据、生成的数据以及真实光谱数据作为训练样本对深层神经网络（deep neural network,DNN）进行训练,从而得出物质的识别结果。实验结果表明,GAN可以有效修复缺失的太赫兹光谱数据,且所生成的太赫兹光谱数据有效地模拟了真实太赫兹光谱数据的总体特征,增加了太赫兹光谱数据样本,极大地提高了光谱识别精度。