核素识别是应对突发核事故、放射性物质非法交易等事件发生的保障手段之一。传统核素识别方法大量依靠专家知识,过程复杂,难以实现快速判别。随着计算能力的提升与智能算法的发展,神经网络被越来越多地应用于核素识别领域,显著提高了识别速度和精度。目前,用于研究核素识别的数据集是能谱,能谱由核脉冲峰值统计而成,测量时间越长,统计涨落越小,因此能谱的统计特性使现有模型无法从根本上提高识别速度。本文提出摒弃能谱而基于脉冲峰值时间序列的核素识别方法,研究基于脉冲峰值时间序列的卷积神经网络（Convolutional Neural Network,CNN）核素识别模型,自动提取固定长度脉冲峰值时间序列特征,以实现快速核素识别。实验过程中,使用Na I（Tl）探测器收集单一、混合核素共7种样本的序列集,同时测试了实验室环境天然本底脉冲峰值时间序列样本作为实验样本。在测试过程中,探测器分别在距离放射源5cm:5cm:40cm处（一共8个探源距离）收集脉冲峰值时间序列样本。在截取不同长度的数据集时,对于长度较长的脉冲峰值时间序列,使用了重叠法避免样本不足的情况。数据被送入模型之前,序列集进行了最大最小值归一化,通过定义最大最小值避免批次不同归一化区间不一致的情况。为了避免单次实验偏差以及样本划分不均匀情况发生,在每个探测距离收集每一种核素1000个样本,并使用了10阶分层交叉验证一次划分每个探测距离的数据样本,保证样本均匀划分。使用Tensor Flow框架建立了一维卷积神经网络（One-Dimensional Convolutional Neural Network,1D-CNN）与二维卷积神经网络（Two-Dimensional Convolutional Neural Network,2D-CNN）模型,并分别探讨了1D-CNN与2D-CNN模型识别单一核素样本和混合核素样本的能力。实验结果表明,1D-CNN识别单一核素样本的精度为100%,识别混合核素时,以序列长度为800为例,测试结果的最大值:88.62%,最小值:79.31%,平均值:84.49%;识别8种核素的样本集时,以序列长度900为例,测试结果的最大值:85.03%,最小值:74.08%,平均值:81.08%。2D-CNN模型识别单一核素的能力达到100%,识别混合核素的能力高于1D-CNN模型,交叉验证精度最小值:85.88%,最大值:90.82%,平均值:88.68%,且交叉验证时2D-CNN的测试精度波动小。对于8种样本的混合核素,2D-CNN的测试结果最小值为82.88%,最大值为87.13%,平均值为85.66%。表明:1D-CNN与2D-CNN模型识别复杂放射性核素序列集的能力均低于单一核素。两种方法识别放射性核素的时间与探测器当前计数率与序列长度有关,以序列长度900为例,在距离源40cm处,识别155Eu-22Na:1951.92ms;137Cs:766.61ms;60Co:774.70ms;137Cs-60Co,468.16 ms;60Co-155Eu-22Na,772.39 ms;137Cs-155Eu-22Na,700.99 ms;137Cs-60Co-155Eu-22Na,456.34 ms。对比CNN、BPNN和SVM方法,基于脉冲峰值时间序列的1D-CNN与2D-CNN方法的识别性能更优。但对于固定长度的高活度核素与低活度核素相混合的脉冲峰值时间序列,由于低活度核素的特征脉冲点较少,难以识别。为此,本文提出了基于脉冲峰值时间序列的天然本底扣除方法,该方法有效剔除了天然本底噪声脉冲,并在此基础上显著提高了识别155Eu-22Na的能力,且交叉验证结果更稳定。综上所述,针对传统基于能谱的核素识别方法无法进一步提高速度,本文提出了基于脉冲峰值时间序列卷积神经网络的核素识别方法,分别建立了1D-CNN和2D-CNN模型,并通过单一核素、多混合核素的识别验证了模型的有效性。该方法的提出和验证为快速核素识别提供了参考和新的技术手段。