为满足国内碳中和与核电中长期规划发展的需要,后续新建和投运核电厂将不断增加。为保障环境安全和核工业持续发展,我国提出了核废物最小化,废物精细化管理和核心设备自主研发的目标,而废物桶分段扫描技术成为目标实现的一环。虽然国内相关技术逐渐成熟,但其高纯锗伽玛（γ）能谱的智能分析检测手段相对落后,导致废物桶检测效率和精度不高,直接影响国内核废物检测效率和质量。本文在研究基于分段扫描的放射性废物桶系统特性的基础上,以适应高效的环境监测和核应急为最终目标,搭建了高纯锗γ能谱分段扫描的智能无损测量技术（NDA）核素识别系统,重点围绕以下制约检测效率及质量瓶颈的核心技术开展研究工作:（1）非均匀样品刻度的γ扫描测量方法为了更加高效的核素识别,本文采用60Co、137Cs和152Eu标准源对中低本底高纯锗探测器（HPGe,ORTEC）在被测放射源衰变的情况,进行能源和效率刻度标定探测,研究HPGe探测器效率曲线随立体角和测量源几何形状的变化规律,并最终用来对无源刻度方法进行检验。为此,本文对能量在60ke V～3300ke V之间的多种核素在距离探测器不同位置的探测效率进行了测量,积累了大量实验数据,并与无源效率刻度软件的计算结果进行比较发现,利用模拟计算来辅助进行探测能量与效率刻度的方式,大大减少了核素识别的工作量,提高了探测效率,具有广阔的应用前景。（2）基于神经网络算法的核素识别技术在保证核废物桶检测效率的同时,应用热门的神经网络自训练方法加速核素智能识别的过程,提高核素的检测正确率,即通过核心算法排列组合,建立了核素识别的计算模型和自学习能力,应用在核素识别中实现放射性核素的准确在线快速检测。通过对γ分段扫描的放射性废物桶分析检测系统的搭建和研究,对24个实验数据进行样本转化,建立了神经网络的基础模式,再通过30余次的重复训练,更新了矩阵权重。经过不算改进和完善,该算法兼具准确可靠、响应快速、适应性强等特点。初步试验结果表明,算法模型对未知样品的预测准确度达到94%。