众所周知,美国在二战期间投递的两颗原子弹造成了日本广岛与长崎重大的财产损失和人员伤亡,自此,人们认识并领略了核武器极大的破坏力与危害性。时至今日,核不扩散在众多国际会议中屡屡被提及——伊核问题,朝核问题以及防止恐怖组织拥有核武器,等等。由此可见,防范和控制核武器仍是当今世界严峻的课题之一。诚然,防范和控制核武器离不开准确、快速的核军控核查理论、仪器及方法技术。其中,²⁵²Cf源驱动噪声分析法,目前在核军控核查领域中,其是一种主动式测量方法可以在被核查现场场所给出核材料浓度、材质、质量及反应性等信息,因而备受人们青睐。有鉴于此,本文以国家自然科学基金“²⁵²Cf源驱动核材料裂变中子脉冲信号的压缩感知理论应用基础研究”（批准号:11605017）等科研项目为依托,借助于蒙特卡罗方法对核材料的裂变中子之核信号采集系统的模拟,创新性将深度学习引入到核材料裂变中子的分析与处理研究之中,开展了基于深度学习的核材料浓度、储存形状、材质等特性的分析识别研究。主要研究内容,包括:（1）分析了核军控核查技术的国内外研究现状,重点理清了²⁵²Cf源驱动噪声分析法的发展和演变历程,理解了核材料识别系统（NMIS）的工作原理,这为完成裂变中子信号测量系统的模拟设计打下了基础。（2）基于深度学习的²⁵²Cf源驱动核材料浓度识别技术研究。在明确了核材料识别系统（NMIS）工作原理的基础上,完成了裂变中子信号测量系统的设计,准备了设计参数,依照参数编写MCNP程序,运行程序可以模拟裂变中子信号的探测,依次获取随核材料浓度、探测器距离及角度变化的裂变中子信号,将众多信号构建成裂变中子信号库。基于此,借助深度学习之深度卷积神经网络,利用库中的训练与测试样本,完成了网络的训练与测试,同时,还设计对比实验进行了相互比较。结果表明,深度卷积神经网络的识别准确率达92.5%,表现出了优异的性能。（3）基于深度学习的²⁵²Cf源驱动核材料储存形状及材质识别技术研究。立足于核材料识别系统（NMIS）,针对核材料储存形状及材质变化的问题,设计了新的裂变中子信号测量系统,基于此参数,编写MCNP程序模拟出裂变中子信号并构建信号库。将库中信号随机分为训练与测试样本,借助于深度卷积神经网络之Caffe工具箱,完成了网络的训练与测试。实验结果表明,对核材料储存形状与材质同时识别的精度为81.48%,基本满足对识别精度的要求。本文立足于²⁵²Cf源驱动噪声分析测量法这一主动式核军控核查方法,引入了深度学习理论,利用MCNP5软件对粒子输运的模拟特性,面向核材料浓度、储存形状、材质等特性,开展了分类识别研究工作,均取得了较好的识别效果。上述研究不仅提高了核军控核查中核材料识别的准确率,同时表明,深度学习能够有效应用于核材料的裂变中子信号分析与处理研究工作之中,这既为核材料识别提供了一种新的技术方法,又为今后实际核信号的识别准备了充足的理论依据。