在航空伽玛能谱测量中，需要对航空伽玛能谱进行滤波去噪处理以充分获取地表介质伽玛射线谱的有用信息。即保证消除放射性统计涨落、电子学噪声等干扰的同时下尽可能多的保留能谱的原始特征。航空伽玛谱具有计数率低，随机性高等特点。寻求一种去噪效果好且适应性强的方法成为航空伽玛谱去噪的一个难题。传统的能谱去噪方法在某些特定伽玛谱上取得较好的效果，但都有各自的局限性，推广性不强。统计学的方法可以根据有限的航空伽玛谱信息，通过训练得到特征峰谱线和噪声谱线的内在联系与规律，从而达到合理去噪的目的。支持向量机（SVM）作为统计学习理论的新一代机器学习方法，能较好地解决小样本、非线性和局部极小点等实际问题。最小二乘支持向量机（LS-SVM）是支持向量机的一种形式，较标准支持向量机有计算量小、算法简单等特点。　　本文对国内外航空伽玛能谱测量技术、能谱去噪方法以及统计学理论、支持向量机算法进行了调研与分析，在此基础上开展了基于最小二乘支持向量机的航空伽玛能谱分段去噪方法研究，主要研究内容及结论如下：　　1.分析了传统的能谱去噪方法（重心法、最小二乘移动平滑法、傅立叶变换法、小波分析法）的特征：　　（1）重心法、多项式最小二乘移动平滑法对能谱滤波时，滤波宽度越宽，谱线被压缩的越低，展宽越严重，增加重峰出现几率；　　（2）相比其他滤波方法而言，在使用理想低通滤波器傅里叶变换滤波时，峰边界道计数数值偏差比较大；　　（3）小波分析法依赖阈值的选取，软阈值方法噪声过滤充分，而硬阈值方法能很好地保留信号的原始形状，但噪声过滤不充分。　　2.对核函数的选取做了重要说明，并提出一种修正的核函数。实验结果表明该修正核函数的LS-SVM模型较其他核函数的LS-SVM模型在去噪能力上更好。　　3.对LS-SVM模型中的两个重要参数进行寻优处理，采用k折交叉验证方法获取最佳核参数--惩戒因子C和核函数宽度σ，建立具有学习能力和泛化能力强的支持向量回归机。　　4.基于最小二乘支持向量回归机模型，依据能窗道址分布对航空伽玛能谱进行分段回归拟合降噪处理，并对分段处使用加权叠加处理衔接，解决了该算法在全谱解析上的缺陷。　　经大量实验数据证明：采用分段LS-SVM去噪方法能够显著降低航空伽玛谱射线统计涨落，且有良好的自适应性和泛化性。