制造产业的发展给人们带来高质量生活的同时,也带来了严重的工业污染,由于工业污染已经危害到人类的身体健康,所以必须采取相应的举措应对该问题。工业污染所导致的各种环境污染,经过生态循环,最终都演变成土壤污染,甚至导致土壤重金属污染,土地是人类粮食的主要来源,所以修复土壤污染刻不容缓。将LIBS技术用于污染监测具有快速、几乎不用预处理等独特优点。目前深度学习处于快速发展时期,具有能快速提取数据特征的优势。本文将LIBS技术与深度学习相结合,构建实时监测制造产业污染的机械装置,研究制造产业污染的实时监测方法。本文的主要重要内容包括四部分:第一,制造产业污染监测的机械装置设计。对进制造产业污染监测的机械装置设计进行介绍,包括对光路部分、光谱采集部分和样品台的设计,对各个部分实验仪器的功能、工作原理以及相关参数设置进行说明。第二,制造产业污染监测信号质量提高的研究。针对通过实验得到的LIBS光谱存在误差,为降低误差带来的影响,提出结合粗糙惩罚平滑降噪与分段基线校正结合方法,对制造产业污染监测信号质量进行提高。通过与S-G平滑和小波降噪方法对比,结果证明该方法的提高效果最好,且识别精确度最高。第三,改进AdaBoost算法的制造产业污染监测组合模型。针对单分类器存在不稳定的缺陷,导致算法的分类结果不好,为提高分类的预测结果,使预测结果更准确,所以对组合模型进行研究,提出一种改进AdaBoost算法的制造产业污染监测组合模型。在原本固定权重的基础上,添加一个变化权重,将固定权重与变化权重结合,作为最后的投票权重值。通过对比分析,结果证明改进AdaBoost算法组合模型分类结果较好,且具有较好的稳定性。第四,基于CNN-SVM分类算法的制造产业污染监测研究。针对LIBS光谱的处理方法是传统机器学习算法,很少与深度学习相结合,所以提出将LIBS技术和深度学习相结合,提出一种CNN-SVM分类算法模型,将CNN作为特征提取器,SVM作为分类器,对其进行试验研究。通过对比分析,结果证明基于CNN-SVM分类算法的制造产业污染监测研究具有可行性,且分类结果较好。