核素识别技术是我国核技术和核工业的发展中的关键性技术,同时也是保障国家核安全的基石,传统核素识别的主要思路是寻找核素能谱中的特征全能峰等核素的特征信息,然后将其与标准核素库中的核素信息进行匹配,从而达到识别核素种类的目的。但是由于实际测量环境中存在较多噪声污染、多种核素相互淹没与干扰,导致得到的核素能谱较为复杂,而传统的寻峰-匹配法无法满足对此类复杂能谱的识别要求,存在误差较大、鲁棒性较差和识别率较低等问题,进而影响核素的识别效果。针对上述问题,本研究课题根据传统的核素识别算法,利用一些新兴的微弱信号处理算法,并结合一些机器学习算法在非线性数据处理中的优势,提出了一种基于多类别权重标签的模糊决策树来进行核素识别的方法。本论文课题的研究内容有:1)将原始的能谱数据经过预处理之后,将能谱数据类比为非平稳信号,在此基础上分别探究了基于S变换的一维数据二维化方法和基于改进的格拉姆角场的一维数据转二维数据的方法。将一维能谱数据转变为二维矩阵和图片形式的数据,将原始的能谱数据处理为二维形式,从新的维度去探究能谱的强区分性信息,然后通过双向二维主成分分析法（2D-2D-PCA）和图像处理的方法对转换后的二维能谱进行特征信息提取,并将得到的能谱特征信息作为训练样本,实现核素识别模型的训练。2)研究了基于模糊C均值（FCM）的特征模糊化方法。FCM聚类融合了模糊理论的精髓,采用FCM进行属性模糊化使当前节点达到局部最优的划分,采用FCM将能谱的特征进行模糊化,使其能够自动搜索最优方式对每个特征进行动态的簇类划分,提高核素分类识别的准确度。3)针对传统的模糊决策树在子节点内存在表达不足的缺点,提出一种基于多类别权重标签、对特征空间进行动态划分的新的模糊决策树识别方法,在此基础上进行核素识别,并在自制的核素数据集上与其他核素识别方法效果进行了对比实验,验证了本文所提方法的可行性和优越性。本文在从充分利用核素能谱的全谱信息的角度出发,采用S变换理论和改进的格拉姆角场对核素能谱进行二维化,从新的维度去探究不同核素能谱的特征。同时针对传统的模糊决策树在节点表示时对核素能谱特征的可区分性能较差的问题,提出一种优化的基于多类别权重标签的模糊决策树算法,使得在该模糊决策树的节点表示时对于核素能谱特征的区分性能得到提高。实验结果表明,本文提出的算法实现了对真实环境下测量的核素类别的准确识别,相关研究对加强核安全管理,促进核工业及核技术安全化具有一定的战略与现实意义。