太赫兹光谱能够通过检测物质分子的振动转动信息来识别物质,在食品安全、公共安全方面有广泛的应用前景。许多物质的太赫兹光谱具有特定吸收峰,使用吸收峰特征可以识别出物质。但混合物光谱中不同成分的吸收峰可能会相互混叠,难以识别被掩盖的弱峰。另一方面由于目前太赫兹光谱硬件技术的限制,光谱测量时间长,样品制作流程复杂,很难获得大量的光谱样本用于特征学习。针对以上问题,本文分别研究了太赫兹光谱的吸收峰提取和深度学习算法。传统的吸收峰提取算法分成寻峰和拟合两个独立步骤,寻峰的结果不一定适合拟合,无法根据拟合的效果反过来调整吸收峰数量,容易存在假峰、漏峰、峰位不准等问题。为此,本文提出了区间组合多峰拟合算法,光谱频段以曲线大幅度平滑后的波谷点为界划分为不同大小的区间。相邻的区间可以合并成更大的区间单独多峰拟合,采用遗传算法求解最优区间组合方案。对每种纯净物测量多次光谱,并使用密度聚类算法筛选出特征吸收峰。以纯净物特征吸收峰为标准数据,使用本文提出的吸收峰匹配识别算法能够计算含有任意个吸收峰的吸收谱与标准物质间的吸收峰相似度,进而实现物质识别和混合物成分检测。深度学习技术能够自动提取光谱的特征,无论物质是否具有吸收峰都能处理。卷积神经网络是目前光谱识别问题最常使用的深度学习模型,但在训练时需要大量数据。而现阶段太赫兹光谱数据量较少,卷积神经网络容易出现过拟合。为此,本文设计了一种多尺度跨步卷积神经网络,使用多尺度卷积结构提取多类型的特征,且以跨步卷积代替池化层进行特征压缩,避免池化过程中位置信息的丢失,提高光谱识别率。通过太赫兹光谱仪获取实际吸收谱数据进行算法实验。吸收峰提取实验数据表明,区间组合多峰拟合算法能够在二阶导数寻峰法的基础上提高混叠峰的分辨能力和定位精确程度。使用纯净物作为标准数据,对于六种存在混叠峰的二元混合物前二、三识别率分别为91.7%和97.5%。深度学习实验数据表明,使用跨步卷积特征压缩后的识别效果要优于池化运算。本文提出的多尺度跨步卷积神经网络对40类物质的识别率达到99.65%,高于经典卷积神经网络的97.64%。该网络能够有效保留光谱中的位置信息,减少过拟合。