太赫兹时域光谱技术是一种具有高分辨率、相干性、低能量、指纹谱和高信噪比的检测技术,使得该技术在毒品、爆炸物、药品、食品及农产品等物质的定量与定性分析方面得到广泛应用。针对目前在使用太赫兹时域光谱技术对物质进行定性和定量分析中,经常遇到太赫兹时域光谱没有明显的特征谱峰情况,如何对这些光谱进行特征提取及分析。为此,本文围绕太赫兹光谱的特征提取及有效识别分类展开研究,取得以下成果:本文提出了一种基于双向长短期记忆网络(Bidirectional Long Short-term Memory Recurrent Neural Network,BLSTM-RNN)自动提取太赫兹光谱特征的识别方法。利用其长短期记忆单元可以有效解决原始太赫兹光谱数据维数较高使得模型难以训练问题;再结合模型的双向频谱信息利用架构模式,可以增强模型对相似太赫兹光谱数据自动提取有效特征信息的能力。实验结果表明,利用该方法具有对太赫兹光谱直接自动提取有效特征的优势,从而达到了对复杂太赫兹光谱数据的有效识别分类。由于上述模型自动提取太赫兹光谱特征及识别的方法存在调参难度大以及模型不能根据数据集的大小自伸缩模型复杂度,所以本文另外提出了一种基于多粒度级联森林算法(multi-Grained Cascade Forest,gcForest)自动提取太赫兹光谱特征的识别方法。利用其多粒度扫描阶段对太赫兹光谱样本进行特征增强,尽可能地挖掘太赫兹光谱序列数据特征的顺序关系,再利用级联森林阶段对数据特性进行逐层处理,加强对算法的表征学习能力,提高模型的预测精准度。实验结果表明,利用该方法具有对复杂太赫兹光谱直接自动提取有效特征的能力,而且该方法模型复杂度可以自适应伸缩,适用于不同大小规模的太赫兹光谱数据集的高精度识别。上述两种方法试验结果表明对三类十五种化合物不同复杂度的太赫兹光谱数据集都具有较好的识别效果。可应用于药物分析、质量控制、爆炸物和食品检测等领域的定性鉴别。