本课题主要针对核事故应急情形下γ探测器测得的能谱数据研究新型能谱分析算法,以达到准确提取能谱中所蕴含的核素组成、活度等信息。相比于现有的能谱分析算法,新算法具有智能化、人员干预少、特征提取稳定性高等优点。新算法是一种结合目前主流算法,如神经网络、深度学习、模糊逻辑等,依据γ能谱的特征而进行设计开发的,符合现代γ能谱分析需求的算法。在整个课题研究过程中,所取得的研究成果如下:（1）提出了基于DCT与BPNN的快速核素识别算法。该算法在满足单核素MDA的条件下,性能不受探测时间、核素活度、探测距离、核素个数、以及运动源的影响。而且算法对γ屏蔽体包裹下的放射源能谱具有较好的识别性能,其提取出来的γ能谱特征向量如同核素‘ID’一样,具有较强的提取稳定性。（2）提出了基于近似系数与DBN的能谱分析算法。该算法提取的γ能谱的近似系数,形状与原始能谱一致,但其维度为原始能谱维度的八分之一,加速了后续DBN的收敛。在满足单核素MDA的条件下,该算法可识别不同测量条件下（探测时间、核素个数、探测距离、运动源等）的γ能谱核素组成。另外,该算法可用蒙卡模拟的γ能谱进行训练,不受放射源种类的条件限制,大大增强了算法的实用性。（3）提出了基于WHT与SAE的快速核素识别算法。该算法提取的128个低频变换系数保留了能谱的主要模式特征,栈式自编码可学习128个变换系数的高阶特征,并做较为准确的核素识别。复杂环境下（不同探测时间、核素个数、探测距离、运动源等）能谱强度会发生不同程度的变化,128个变换系数归一化处理可消除这一变化的影响。（4）提出了基于R-L去卷积与模糊逻辑的低本底解谱算法。该算法增强了低分辨γ探测器的核素鉴别能力,可对重叠峰做较为准确的分解。除此之外,该算法可利用低分辨NaI（Tl）探测器能谱进行天然本底核素分析,以及可解析低活度下¹³⁷Cs+⁶⁰Co能谱,是一种可提取弱峰信息的算法。本课题结合人工智能方法研究出几种新型能谱分析算法,在快速核素识别和低本底解谱方面具有很好的效果。此类算法的应用有助于提升现有辐射探测仪器的核素识别和活度测量性能,在核应急监测中发挥更大的作用。