密封电子元器件被广泛应用于航空航天领域或者尖端武器装备中,该器件内部的多余物对系统的可靠性构成了严重的威胁。开展多余物材质信息的研究对于改进生产环节,从源头杜绝多余物的产生具有重要价值。目前,对于多余物材质识别的研究主要基于声音的信号特征,忽视了声音的图像特征。另外,由于密封电子元器件的特殊性,仅能获得待测元器件的少量检测数据,无法满足机器学习模型训练的要求。针对上述问题,本文提出了基于声谱图和迁移学习的多余物材质识别方法。将多余物脉冲转换为声谱图,充分利用声谱特征提高材质识别性能。利用课题组多年来建立的材质数据集,从大量标注样本中学习可用于待测元器件的知识,并迁移至新的识别任务。从模型层面进行改进,解决迁移学习过程中源域、目标域分布差异大,识别精度低的问题。本文以声谱图和迁移学习为核心,针对多余物材质识别中遇到的若干问题,从材质识别方法、特征增强、数据不平衡处理等方面进行解决,主要分为三个部分:（1）提出了一种基于声谱图的多余物材质识别方法,将多余物检测的声音信号通过多重同步压缩变换法转换为声谱图,并利用GAN中的生成器产生新数据,解决了数据不平衡问题。提取声谱图的时频特征,设计声谱图特征和时频域特征的特征组合,对机器学习算法进行训练优化。通过充分利用声谱特征来提高材质识别模型的识别性能。（2）针对多余物材质数据稀缺情况下,深度神经网络模型容易过拟合,导致识别精度下降和泛化能力差的难题,提出了一种基于模型迁移的多余物材质识别方法。设计针对材质识别的深度卷积网络,并添加组归一化层。复用在源域数据集上训练的深度神经网络,将材质识别知识迁移到新任务中,提高了模型在目标域样本数量稀缺情况下的识别能力。（3）针对源域和目标域数据集中材质信号分布差异较大的情况,本文以模型迁移为基础,从模型层面进行改进,提出了一种基于域对抗和多源异构信息融合的材质识别方法。采用权值迁移和对抗训练的策略,将从源域学习到的材质识别知识迁移到目标域网络,经过对抗训练减少两域的分布差异。设计特征融合网络将声谱图信号特征与材质声音信号特征进行融合,提高了材质识别精度,实现了不同域的特征迁移和多源异构信息的充分利用。