有机化合物广泛存在于自然界中,和人类生活紧密相关。对有机化合物进行结构解析确定其分子结构,在有机化学、代谢分析以及药物合成等领域具有极其重要的应用价值。目前,解析有机化合物分子结构主要使用质谱、红外谱图和核磁共振（Nuclear Magnetic Resonance,NMR）谱图等技术,而精确高效地识别出谱图中吸收峰对应的分子结构片段（即官能团）是其中的关键步骤。因此,有机化合物NMR谱图官能团识别引起了研究人员的广泛关注。在计算机辅助有机化合物结构解析中,NMR谱图因可重现性高、样品制备过程简单以及样品可重复使用等优点被广泛采用。目前,主要通过NMR谱图中吸收峰出现的位置和吸收峰的面积来推断官能团类别,然而NMR谱图数据量大,传统上采用对吸收峰手动积分的方法对研究者的谱图解析水平要求较高,耗时耗力且解析准确度较低。因此,探索自动化官能团识别方法,有助于提高使用NMR谱图解析有机化合物结构的效率和准确度。本文以NMR谱图为基础,针对有机化合物中官能团的识别,主要开展了以下研究工作:（1）在一维卷积神经网络（Convolutional Neural Network,CNN）中引入了长短期记忆网络（Long Short-Term Memory,LSTM）和时间卷积网络（Temporal Convolutional Network,TCN）,对NMR谱图中官能团进行识别取得了良好的效果。通过不同算法对比,表明使用CNN+TCN比只使用CNN可以提取到更加完整的耦合裂峰特征,从而提升模型的官能团识别效果。此外,以往研究通常仅使用NMR氢谱进行官能团识别,本文将NMR氢谱与NMR碳谱数据进行融合作为训练数据,使用本文提出的模型均取得了优于单谱图的识别效果。其中,CNN-Bi LSTM模型的F1分数达到95.75%。而相比CNN模型,本文提出的CNN-BOTCN模型在NMR碳谱官能团识别中F1分数提升了6.66个百分点,达到94.53%;该模型在NMR氢谱和碳谱融合数据上得到最好的官能团识别效果,F1分数达到97.54%。（2）使用Mest Re Nova软件生成了72942张NMR谱图,制作了模拟NMR谱图数据集,并对数据集中包含的官能团信息进行了自动化标记。（3）设计了一种基于排序的官能团类别标记方法,有效解决了有机化合物分子结构中官能团包含1、子结构重叠2的问题。（4）使用本文提出的CNN-BOTCN模型,在真实NMR谱图数据集进行官能团识别的F1分数为87.67%,表明了该模型的有效性。本文提出的方法能够取得良好的识别效果,对计算机辅助结构解析在有机化合物结构研究中的进一步应用具有一定的参考价值和推动作用,也可作为今后相关研究的工作基础。