目前,我国境内水域环境面临的重要问题是由有机污染物引起的地面水污染,其中油类污染已经成为了地面水有机污染物的主要组成部分。要在掌握油污染动态变化的基础之上实现实时检测地面水有机污染物的浓度是改善我国水域环境的关键问题。目前现有的对地面水有机污染物的检测技术和方法,极大部分都会存在取样不易、检测周期长、实验成本高等弊端。因此,本文利用地面水有机污染物类物质特有的荧光特性,结合卷积神经网络算法,提出了一种新的基于改进卷积神经网络算法的地面水有机污染物的检测算法。主要完成的工作如下:1.论文对地面水有机污染物检测的研究背景、意义和国内外针对这一问题的研究现状做了简要的概述,并且分析了地面水有机污染物能够产生荧光特性的原理,然后对地面水有机污染物采用荧光图像辅助深度学算法的检测进行了可行性研究;并阐述了地面水有机污染物检测数据集的构建过程。2.详细介绍了深度学习算法的原理、和常用的网络模型架构。为了提取到更加充足和抽象的荧光光谱信息,本文提出了基于深度学习地面水有机污染物的检测算法,即用Le Net、VGG、Res Net、Mobile Net、Dense Net对荧光图像进行特征提取,得到最终预测结果。通过对比实验可以发现,Mobile Net的学习能力较强,能更好的利用荧光光谱图的特征信息。3.本文设计了一种将机器学习回归算法与卷积神经网络算法相结合的算法。首先,借助卷积神经网络算法无需复杂的预处理,就可以充分提取图像特征的特点,去提取地面水有机污染物图像的特征,然后将提取的特征作为机器学习回归算法的输入,利用机器学习回归算法良好的回归能力。所以融合两者的优势,提出一种改进的卷积神经网络算法。通过实验验证,改进的模型使得地面水有机污染物的检测精度有所提升,其中Mobile Net和线性回归结合的模型的评价效果最好,MAE值和RMSE值达到10.62和16.44。