激光诱导击穿光谱(Laser Induced-breakdown Spectroscopy,LIBS)技术是一种多元素分析技术,是基于对高功率激光脉冲与样品介质相互作用产生的等离子体发射谱线的研究。等离子体辐射中的每条光谱对应于原子,离子或分子中的独特跃迁,其可用作识别样品结构的“指纹”。对于使用常规分析技术难以实现的远距离条件下有机爆炸物识别,LIBS探测技术提供了一种快速而通用的方法。然而基于目前国内外研究现状,多数情况是针对铝(Al)基座上有机爆炸物的识别,当有机爆炸物沉积在有机基座上时,样品间光谱相似度提高导致识别性能不稳定。因此,对于识别有机基座沉积的有机爆炸物仍是一个特别具有挑战性且广阔前景的课题。在基于LIBS的爆炸物的分类时,高能材料通常是有机化合物,需要进行多变量分析。目前,在利用LIBS进行爆炸物识别时,多采用偏最小二乘判别方法(PLS-DA)进行光谱数据的分析处理。对于在相似性质的基座上从与有机爆炸结构相似的痕量样品集中识别有机爆炸物的应用,PLS-DA的线性加和性将导致识别性能存在局限。BP神经网络(BPNNC)具有特有的自组织、自学习调整以及天然的非线性能力,能减弱基体效应对识别的影响,从而有效地提高识别的准确率。同时,为了克服BP神经网络分类器(BPNNC)需要大数据量以及黑箱结构的缺陷,引入散点图分析来描述特征谱线与样品类别之间的关系,并确定最优谱线特征以此减少识别模型输入特征,实现通过小样本条件下建立识别模型。本论文首先搭建远距离LIBS探测系统的实验平台,通过LIBS实验获得一定量样品光谱数据,包括三种有机爆炸物:RDX,TNT,DNT,以及与爆炸物具有共同原子成分的潜在混淆样品:青霉素、阿昔洛韦、黄油、护手霜,7种样品分别位于两种有机物基座上。在此基础上,对光谱数据的去噪和特定化合物的识别展开研究,采用离散小波变换方法扣除连续背景噪声,采用小波阈值去噪方法去除一般噪声,以此确定干净LIBS信号的最佳近似。最后,实验验证PLS-DA和散点图分析结合BPNNC对于有机基座沉积有机爆炸物的识别能力。基于七个样本光谱分别进行PLS-DA建模和散点图分析结合BPNNC训练,通过交叉验证确定两种方法的最优模型。并基于一定量“未知”光谱数据分别对两种识别模型进行验证,以此评估两种方法对有机基座沉积有机爆炸物的识别能力。实验发现,在PLS-DA识别模型中,对10米处的特定化合物识别,准确率为77.68%,假阳性率为22.95%,在BPNNC识别模型中,对相同条件的有机爆炸物进行识别,准确率为88.39%,假阳性率为9.38%。最终确定在相似性质的基体上从与有机爆炸结构相似的痕量样品集中识别有机爆炸物的测试中散点图分析结合BPNNC具有更好的结果。