遥感傅里叶变换红外光谱技术能够在非接触的情况下实现大气环境实时监测,克服了传统的检测方法监测范围窄及需要现场取样等问题,对于大气污染物的浓度检测具有良好的适用性。人工神经网络方法相比于传统方法具有更强的非线性映射能力,拟合精度高于传统方法。本文针对多组分混合污染气体谱线严重混叠的问题,使用傅里叶变换红外光谱仪测量得到的谱线,选用人工神经网络算法分析得到各组分气体的浓度值。结合项目需求,根据待测气体及其谱线中特征峰的位置选取谱线范围;针对工厂污染物排放现场的污染气体的种类及浓度范围,确定量程范围;在此基础上建立待测气体混合模型,并开展浓度反演方法的的研究。本文的工作及研究成果如下:首先,基于朗伯比尔定律,将标准数据库获得的污染物单组分光谱谱线信息与测试现场的情况结合,建立混合吸光度谱仿真模型,开展仿真实验。其次,对基于傅里叶变换红外光谱仪获取的吸收谱线进行预处理,根据数据的特征峰混叠特性选取合适的数据处理算法,调整算法参数,达到最优的浓度反演算法模型。最后,对浓度反演算法模型进行噪声预测及误差分析,确定最优的算法。结果表明,在偏最小二乘法、前向传递人工神经网络和卷积神经网络三种方法中:偏最小二乘法可以解决多重共线性问题,需要的样本数较少,但其受系统噪声影响较大,当测量得到的谱线误差较大时,其预测精度与神经网络方法存在一定差距;前向传递神经网络是一种精度相对较高的方法,但需要进行特征峰的提取以减低噪声干扰因素并提高预测速度,对于非线性问题良好的适用性,使得最终的浓度反演结果能够达到较高的反演精度;卷积神经网络主要应用于图像分类识别,将其应用于一维的谱线信息,同样可以得到较好的分类结果,且不需进行谱线特征提取,容错性好,可以达到良好的预测精度。