来源：期刊VIP网 时间：
作者：刘恒钦;孙杰;闵红;安雅睿;刘曙;
单位：上海理工大学材料与化学学院;上海海关工业品与原材料检测技术中心;
摘要：近年来，深度学习（DL）在光谱分析领域取得了显著进展，通过DL模型对光谱数据的高效处理和特征提取，极大地提升了分析精度和泛化性能。然而，深度模型的“黑箱”特性导致决策过程难以理解，制约了其广泛应用。为突破这一限制，光谱DL模型的可解释性研究近年来受到广泛关注。本文综述了2019～2025年光谱DL模型的可解释性研究进展，概述了一维卷积神经网络（1D-CNN）和Transformer等典型DL模型在光谱数据处理中的特征提取机制，从特征重要性评估、模型推理过程可视化和内在可解释性等方面综述了各类可解释性方法的原理、特点及其在光谱分析中的适配性。特征重要性包括基于梯度的方法以及基于扰动的方法；推理过程包括数据降维和卷积层特征图等可视化方法；内在可解释性包括引入物理机理约束与设计可解释的功能模块；多维度解释结合多种可解释性方法，对“黑箱”模型进行全面的解释。这些方法不仅提高了模型预测的透明度与可靠性，也为关键光谱区间的识别和机理解析提供了科学依据。现有研究仍面临分类体系不完善、评价体系缺乏、透明度与预测性能难以兼顾等挑战。未来的研究应开发具有物理约束的内在可解释模型，探索模型性能与可解释性的协同优化，开展不同可解释方法的多维度应用，建立科学的评价体系，推动可解释光谱DL模型的应用拓展。
关键词：深度学习;;可解释性;;光谱分析;;评述
基金资助：中华人民共和国海关总署科技项目（No.2024HK186）资助~~
