光谱仪是光谱测量的基础,但传统光谱仪体积大、重量重,无法做到随身携带,因此科学家们一直在研究光谱仪的小型化方案,微型光谱仪的研究将为工农业生产、环境监测、资源探测、成分检测等领域的应用提供经济、高性能的有效工具。目前,光谱仪小型化主要有四种方案:将色散元件小型化、使用窄带滤波片代替色散元件、基于时空干涉的傅里叶变换显微光谱仪以及基于散斑计算的光谱仪。其中基于多模光纤的散斑光谱仪在分辨率、带宽、成本等方面具有综合优势,是当前学术界关注的热点。但是当前此类光谱仪的研究面临光谱的重建速度不高、光谱仪的环境鲁棒性较低、光谱仪分辨率和带宽不可选择等难题。针对上述难题,本文开展了以下几个方面的研究:首先,通过LabVIEW软件,构建了可调谐光源、成像与采样设备之间的智能联调平台,基于此平台设计了一个多带宽尺度的波长-散斑映射光纤结构,并结合神经网络对采集到的散斑进行一体化的带宽和分辨率识别,实现了带宽10 nm-160 nm范围、分辨率0.01 nm-0.16 nm范围内可调节的散斑光谱仪系统。其次,在实现光谱仪分辨率可选择以及环境鲁棒性增强方面,使用卷积神经网络对分辨率-温度二维的条件进行分类,根据测量的散斑图实时得到分辨率、温度具体数值,根据分类结果选择对应的校准矩阵,能够在20℃-40℃温度范围内准确重建光谱,有效的避免了温度变化导致无法重建光谱的情况,提高了光谱仪的鲁棒性与功能性,扩大了其应用场景。并且卷积神经网络维度是可扩展的,为下一步克服光纤弯曲、机械振动、扩展温度和带宽范围等提供了一种通用的方法。最后,在光谱重建速度提升以及去噪声方面,仿真了噪声对重建精度的影响,提出了卷积神经网络结合主成分分析、离散余弦变换对图像进行预处理的新算法,这一方法通过对图片信息的提取,不仅去除了高频噪声与高斯-泊松噪声,而且提取了图片的主要信息,降低了数据维度。算法在仿真数据集上取得了6倍的重建速度提升以及10倍噪声降低的效果。