随着极地研究的兴起,冰厚测量在极地冰层研究中占有重要的地位。同时,冰厚测量是确保航行安全和资源探索的关键技术之一。传统冰厚测量技术存在精度低、效率低、成本高或需接触测量等诸多问题,而近年兴起的基于拉曼光谱的冰厚测量技术被认为是解决上述问题最有潜力的技术,但目前仍存在冰-水界面定位困难问题,制约了该技术的发展。课题“基于拉曼光谱识别的冰厚测量技术研究”的目的是为了解决传统基于拉曼光谱冰厚测量技术因利用高斯拟合技术造成冰-水界面定位困难的问题。因此提出了一种新型深度残差神经网络模型,通过分类识别人眼难以区分的冰和水的拉曼光谱信号以完成冰-水界面的定位,在提高冰-水界面定位精度和效率的同时,避免了传统技术需要高分辨力光谱仪、增强型相机ICCD等昂贵设备问题。具体研究内容包括:首先,在分析了影响拉曼光谱的诸多因素的基础上决定了采用小波变换对拉曼光谱进行噪声抑制。通过比较多个不同的小波变换去噪结果最后确定了合适的去噪方法,进而为后续的研究奠定了基础。其次,在探索拉曼光谱去噪方法基础上,利用低成本的便携式光谱仪搭建了基于拉曼光谱的冰厚测量光路并分析了冰面以下拉曼光谱分布特性,针对冰面下拉曼光谱的分布特性采用了传统的高斯拟合方法进行冰厚测量并获得了较好的实验效果,验证了拉曼光谱冰厚测量方法相对于传统的钻孔、图像、仰视声呐等测量方法的优越性。再次,在利用高斯拟合方法处理拉曼光谱并进行冰厚测量的基础上,提出了利用深度学习的方法进行冰厚测量的算法。该方法通过构建深度残差神经网络将冰厚测量问题转化为拉曼光谱识别问题,通过测试多组数据验证了深度学习方法的可行性。最后,在分析和对比了前文所采用的两种测量方法的诸多属性的基础上确定了深度学习方法的优越性,将深度学习方法的各种测量结果进行整合并集成到软件中,便于后续的使用。