混合气体检测技术中,由于传感器不能实现专一组分气体的检测,浓度反演的精度经常受到其他组分的干扰,提高每种气体浓度测量的准确和精度是混合气体的浓度反演研究的重要目标。光谱分析法基于气体本身对光的吸收特性,不存在传感器中毒等现象,且气体间的交叉干扰影响小于其他方法,因此本文采用光谱法研究SO2、NH3和NO2混合气体的检测,检测波段为气体具有特征吸收的200-350nm紫外波段。本文测量了气体不同浓度的吸收光谱,通过与分子数据库中的参考吸收截面对比,获得该光谱仪器下的气体标准吸收截面。通过对不同气体的标准吸收截面数值拟合获取算法所需的混合光谱数据,其中气体的拟合浓度在比耳定律的线性范围内。针对光谱法采用特征波长处的吸收进行浓度拟合的方法中,由于偏移或噪声导致的反演误差增大的问题,本文提出了基于卷积神经网络（Convolutional Neural Network,CNN）的混合气体定量分析方法,该方法利用气体在紫外波段的连续光谱,通过卷积和池化操作实现对光谱吸收峰的特征提取,利用全连接层对特征和气体浓度之间的函数关系进行拟合。为了提高卷积神经网络对弱吸收气体的反演精度,实现网络的快速收敛,提出将强吸收气体作为优先气体,设计了针对不同吸收量级的气体的分级网络结构。在混合气体浓度预测的结果中,CNN算法在SO2、NH3和NO2三组分气体的浓度反演中最低能够实现0.074%、1.127%和0.318%的相对误差。该模型在对单组分气体的预测中,反演效果最好的SO2可以达到0.118%的相对误差,当存在强背景气体SO2,且NO2的吸收只为SO2的三分之一时,该算法可以达到SO2和NO2最小0.194%和1.088%的相对误差。当混合气体中存在低浓度的强吸收气体时,文章还讨论了分级网络结构对弱吸收气体NO2的反演结果的影响,结果表明该气体的最大误差不超过2.5ppm,说明分级网络即使对这种优先气体吸收较弱的情况反演存在影响,但是模型依然具有较高的反演精度和较强的稳定性。论文还研究对比了CNN和多元多重回归、主成分回归以及偏最小二乘法在有噪声数据集中的反演效果,CNN的反演误差远小于另外三种算法,结果表明,CNN相比于其他算法,在数据存在噪声或气体干扰时仍具有较强的鲁棒性。