气体检测技术在工业与生活中都发挥着重要作用,声学气体检测方法相比于现有的光吸收谱、电化学等气体检测方法有价格、实时、耐久等优势,已成为新一代气体传感领域的研究热点。深度学习方法能弥补从声谱到气体成分理论推导上的不足,加速声学弛豫气体传感技术的实际用。本文首先分析基于声弛豫理论的气体声谱重建算法,通过仿真得到气体声吸收谱和声速谱,利用声谱分析声弛豫气体检测的正确性。参考现有相关理论和案例设计适用于声谱分类的一维卷积神经网络模型,并且选择合适的激活函数和优化方法。然后以声弛豫理论和深度学习方法为指导,在Django框架下构建声弛豫气体探测仿真实验系统,实现跨平台、交互式声谱仿真,用TensorFlow.js实现在浏览器端训练深度学习模型。最后在仿真实验系统上进行声学气体检测,并通过平均影响值分析提取可用于气体识别的声谱特征,以及讨论模型给出预测结果的合理性。结合气体特性将检测方法改进为多温度检测,进一步提高检测准确率。结论:本文在声弛豫气体探测仿真实验系统用一维卷积神经网络进行气体检测,CO₂、CH₄、H₂、N₂和Cl₂五种气体单温度定量检测中都能有80%以上的检测准确率,平均影响值分析的结果验证了卷积神经网络有提取声谱拐点特征的能力。实验发现使用温度变化后的声谱增量能提升检测准确率,并且在温度间隔10K以上时效果更明显。据此,改进方案为多温度检测后强弛豫气体的定量检测准确率都能达到90%以上,弱弛豫气体N₂的检测准确率也能达到87%。本文的研究成果为基于声弛豫参数“温度变化率”的定性气体探测方法奠定了仿真预研基础,提供了有别于传统模型推导的思路:利用机器学习方法寻找和验证可用于气体探测的声弛豫特征参数。同时,本文建立的声弛豫气体探测仿真实验系统提供了声弛豫气体探测的开放实验平台。