随着光谱探测技术和光电成像技术的发展,红外光谱被广泛用于许多行业。但在红外光谱信号的获取过程中经常受到很多干扰,例如红外光谱仪的老化、自然存在的随机噪声等因素,从而导致获取的红外光谱信号退化。因此反卷积方法被提出用来解决这一问题,但是传统的反卷积方法或多或少都有其自身的局限性,这些限制主要体现在:单一处理模式、依赖先验知识、手动设计参数以及迭代优化速度慢,因此亟需提出一种合理的反卷积方法。本文主要针对红外光谱信号在受到单种模糊核和多种模糊核退化的情况下反卷积方法展开研究,主要工作如下:(1)在深度学习的理论基础上,提出一种双流神经网络直接从退化的红外光谱信号中重建干净的红外光谱信号,这种网络结构增强了频谱在波峰波谷以及平坦区域的特征提取能力。同时,为了减少在求解梯度过程中参数冗余以及训练的难易程度,提出一种新的激活函数将这种双流神经网络结构在函数形式上面合并成一个激活函数。此外,在参数更新过程中采用小批量梯度下降法去更新网络相关参数。(2)为了解决在训练过程中样本输入顺序问题,引入启发式学习理论,让训练过程中的样本输入以一种由易到难的顺序输入,样本的难易程度取决于均方误差的大小。同时,为了解决训练过程中样本容量小的问题,在目标函数中引入一个惩罚项去惩罚样本在训练过程中输入的重复度。同时,采取交替更新的策略去更新自步正则项和加权损失项中的相关参数。(3)最后,相关的实验和具体的指标数据验证了双流神经网络相对于其他方法在多种情况下重建红外光光谱信号的优越性以及在有无启发式学习方式下的误差函数收敛性分析。