三维荧光光谱是广泛应用的一种荧光分析技术,也是用于分析荧光数据的重要手段。它具有灵敏度高,分析速度快等优点。在进行荧光光谱实验时,由于生成机理的限制,光谱数据存在拉曼散射、瑞利散射等无用散射,无用散射会影响分析混合物的有效信息准确程度,降低三维荧光光谱对实验的鉴别能力。于是,去除三维荧光光谱中的拉曼散射、瑞利散射具有重要的实际意义。在现有的去除无用散射的方法中,大部分通过人为设定无用散射的宽度,实现去除拉曼散射、瑞利散射。这一类方法主观性强效率较低并且需要对光谱具有一定的先验知识。这导致这类方法不能够自动的批量去除无用散射。为了解决上述问题,本文提出了一种基于AttGAN深度神经网络的无用散射自动去除算法。AttGAN是2019年He和Zuo等人提出的用于人脸面部属性的深度神经网络框架。对于给定人脸的多种属性,在保留其他细节的同时,生成所需要属性的新人脸图像。本文所提出的算法是将AttGAN深度神经网络应用于三维荧光光谱去除无用散射的过程中,本文算法能够自动判断三维荧光光谱中无用散射的位置,在准确保留有效部分信息的前提下,实现对无用散射的去除以及对去除位置光谱能量的补全。在训练AttGAN时,单纯使用实验采集的三维光谱数据不足用以训练网络,针对光谱数据不足的问题,本论文采用生成光谱与实验采集光谱相结合的方式,共同组成AttGAN的数据集,实现网络的训练和验证。在生成光谱过程中采用网格和随机两种模式,针对不同无用散射可能的组合情况生成数据。测试结果表明AttGAN深度神经网络去除无用散射效果良好,能够有效去除无用散射部分,准确保留有效信息。最终本文将算法与传统无用散射的去除算法进行对比,比较的结果显示本文算法去除散射后的三维荧光光谱与原始数据中的目标信息差值较小,能够准确去除无用散射。本算法不依赖于人为参数的设置,相比于传统方法效率更高,是一种较为理想的去除无用散射的算法。