核武器的存在与核技术的发展所产生的一系列不确定因素，凸显了当今世界核扩散的潜在威胁，从而引发了国际关系中被反复涉及的防止核扩散这一重大课题。迄今为止，防止核扩散的唯一有效技术手段即是核军控核查。

目前，核军控核查技术的诸多手段中，核武器／核材料识别系统（ＮＷＩＳ／ＮＭＩＳ）不仅可快速、准确地识别核材料浓度（即核材料中某易裂变元素的质量分数），而且还摒弃了通过感应核材料或核部件的固有辐射来获取特征信息的被动式测量方法的弊端。它是一种基于２５２Ｃｆ源作为驱动中子源的随机中子脉冲核噪声分析的主动式测量方法，故而备受青睐。基于此方法，还衍生了一系列核材料浓度识别的方法技术。

例如，文献利用Ｅｌｍａｎ神经网络对不同浓度核材料进行分析与识别；文献将高阶统计特征概念引入２５２Ｃｆ源驱动核系统中，以此进行特征提取、分析与识别；文献研究了一种基于压缩感知的Ｋ最近邻核材料浓度识别方法。上述这些技术或方法虽获得了较高的识别精度，但因均是小样本实验，容易受探测器距离和角度变化因素影响，致使识别精度难以取得实质性突破。近年来，深度学习已经广泛应用于图像识别、语音识别、自然语言处理等各个方面。

作为深度学习方法之一的卷积神经网络，因其特殊的网络结构，在大规模的数据评测中近期取得了非凡的成绩。Ａ．Ｋｒｉｚｈｅｖｓｋｙ等人首次将卷积神经网络应用于ＩｍａｇｅＮｅｔ大规模视觉识别挑战赛，取得了图像分类和目标定位任务的第一名。香港中文大学的ＤｅｅｐＩＤ２项目采用卷积神经网络，将人脸识别率提高到了９９．１５％，超过之前所有的人脸识别方法。文献还将卷积神经网络用于解决心电图Ｔ波形态分类问题，取得了９９．１％的识别精度。然而，迄今，将深度学习之卷积神经网络方法技术应用于核材料的浓度识别，尚未见相关文献报道。

有鉴于此，本文借助于ＭｏｎｔｅＣａｒｌｏ方法模拟核材料识别系统，通过获取不同距离与角度探测器探测到浓度不一的含２３５Ｕ核材料裂变中子信号，以此建立２５２Ｃｆ源驱动核材料裂变随机脉冲中子信号库。基于此，构建了卷积神经网络，开展了２５２Ｃｆ源驱动核材料浓度分类识别研究工作。实验结果表明，本文所述核材料浓度识别方法，解决了核材料浓度识别中探测器距离和角度变化的问题，且识别准确率优于ＢＰ神经网络和Ｋ最近邻等方法，为核材料识别提供了一种新的技术方法或手段。

１基本测量原理

基于２５２Ｃｆ源驱动随机中子脉冲核噪声分析法，是一种主动式测量方法，其典型测量方法乃是基于２５２Ｃｆ源驱动的三通道裂变中子脉冲信号测量系统，如图１所示。此系统由２５２Ｃｆ中子源、钢罐、铀铸件、探测器等组成。