药品检测技术能够有效地防止假药对人民和社会造成危害,然而检测技术发展通常慢于药品造假技术发展,并且检测成本高昂。因此检测技术改进期望做到快速、无损、低成本。拉曼光谱立足分子层面,满足药品检测技术的期望,成为分析检测技术的热门。近两年人们尝试将深度学习方法应用于拉曼光谱分析技术,也取得了很好的效果。拉曼分析技术和深度学习方法在实际应用过程中各自存在问题。如:(1)拉曼分析前需对光谱预处理,而光谱数据同时包含线性和非线性因素,传统预处理方法通常只能处理其中一种因素,使得光谱经预处理得到的结果具有片面性;(2)深度学习方法一般需要大量数据集进行训练,而拉曼光谱通常不会大批量进行采集,因此深度学习应用于拉曼分析技术面临数据集样本量不够的问题;(3)现有的分析方法和模型都是针对单独的问题,少有方法能够同时综合预处理、分类和其他相关功能。综上所述,现有的拉曼分析技术和深度学习在拉曼分析的应用仍存在桎梏。本研究就是基于以上问题,针对光谱数据的特性修改DCGAN网络,设计RAMAN-DCGAN模型。首先利用卷积的特性,实现对光谱数据的预处理;其次使用生成对抗网络,生成高质量的光谱数据;最后提取出DCGAN中的卷积层,搭建新的CNN模型对光谱进行鉴别分类。研究使用中国食品药品检定研究院采集的拉曼光谱数据进行实验,以验证模型的有效和优越。本研究主要取得了以下成果:(1)预处理方法的选择与改进:选取卷积作为光谱数据的预处理方法,利用卷积性质,模糊光谱中不必要的数据,提取重要的数据,实现对光谱的噪声消除和基线校正;(2)数据扩充方法的选择与改进:选取DCGAN作为扩充数据的方法,修改DCGAN中卷积层以适用于拉曼光谱数据,使得DCGAN能够生成较高质量的拉曼光谱,满足深度学习对训练样本的需求。(3)模型进行迁移学习:将DCGAN中的卷积层提取出来重建为一个卷积神经网络,用来对拉曼光谱进行鉴别和分类。提取的卷积层针对拉曼光谱特性进行修改,且经过DCGAN模型训练,使得新搭建的CNN模型训练时间大大缩短。(4)模型验证:使用中检院数据输入模型运行,验证模型的有效性。并将原始数据、DCGAN生成数据和传统数据扩充方法生成数据一起输入传统机器学习模型和CNN模型中,得到结果进行对比,验证了RAMAN-DCGAN模型的优越性。