羊毛作为一种重要的纺织原料,因其柔软、保暖性好等优点而广受消费者的喜爱。羊毛制品中的羊毛含量是衡量产品质量的重要依据,传统检测方法多具有破坏性、费时费力且对相关检测人员的技术要求较高,无法满足快速评估羊毛制品质量的需求。近红外光谱分析技术是一种无需破坏样本结构、可模型封装操作的快速检测方法。鉴于此,本文将近红外光谱技术和深度学习技术结合,研究羊毛制品中羊毛含量的定性分析,主要内容如下:在制备羊毛制品光谱数据时,因采集工作量较大,若操作失误则会产生严重影响数据集准确性的异常数据样本,为此,研究基于马氏距离判断的异常样本剔除方法。针对光谱数据中因仪器性能或操作环境等因素产生的噪声、散射干扰等问题,分别采用了平滑校正、散射校正和归一化等方法对光谱数据进行预处理,并经过实验对比,最后选择将均值归一化和Savitzky-Golay卷积平滑法相结合作为光谱数据预处理的方法。针对羊毛制品中羊毛含量定性分析问题,研究加入注意力机制的一维Attention U-Net++模型。首先,在U-Net++模型的编码器中加入了SE模块,提高模型的特征表达能力;然后,在模型的解码器中加入注意力门控机制,增强了对有效特征的关注并对无效特征进行抑制;最后,分别与常用定性分析模型和U-Net系列其他模型在同一数据集上进行交叉验证。实验结果显示,一维Attention U-Net++模型的预测准确率为93.59%,召回率为93.53%,精确率为94.24%,其性能超过常用分类模型。同时,与U-Net系列的其他相关网络模型进行消融实验对比,本文所建立的Attention U-Net++预测分类模型更优,验证了跳跃连接、SE模块以及注意力门控模块的效果。对上述理论方法打包封装,分别开发面向手机端和电脑端的羊毛含量的定性分析系统软件,可实现羊毛制品光谱数据的可视化管理、未知羊毛制品样本的羊毛含量分析以及用户个人信息管理等功能。一方面,基于Android Studio平台开发的面向手机端的应用程序,使用Tensor Flow Lite精简转化基于上述理论方法的模型,再将其植入应用程序。另一方面,基于Py Qt5平台同样开发了可用于电脑端的近红外羊毛含量定性分析系统软件。本文的相关研究成果促进近红外光谱技术在羊毛制品快速检测的实用化。该论文共有图52幅,表11个,参考文献87篇。