数字成形方法已成为核脉冲信号的一种重要成形方法。这种方法采用数字信号处理的相关原理进行核信号的参数识别,可以极大提高与优化核仪器的性能。然而,在实际的探测过程中,无论采用何种成形方法,相邻核脉冲之间的堆积是难以避免的,因此,数字成形后的堆积脉冲识别就显得十分重要。虽然国内外众多学者和研究团队在核脉冲的成形、采集以及参数识别方面进行了非常深入的研究,但是受限于传统方法在性能上的缺陷,目前数字成形后堆积脉冲的识别及分离仍然是一个难题。随着深度学习的出现和不断发展。一些内部神经元结构更加复杂、神经元之间连接方式更加多样且层数更深的深度学习模型,通过训练更多数据,使其能够像人脑一样对外界事物进行感知和理解。目前将深度学习技术引入核脉冲参数识别以及谱修正的相关研究还处于初步探索阶段。因此,将深度学习这一新型技术引入该领域就变得十分迫切。本文首先将连续的脉冲信号离散化后再利用经典的数字成形方法对离散的指数脉冲成形,使其具有时间序列的特性。接着,利用深度学习模型对复杂的非线性时间序列强大的学习能力,研究一种高效稳定的核脉冲参数识别方法。最后,基于堆积脉冲识别的研究基础上,研究了一套分类、分级的深度学习谱修正技术。实验结果表明:（1）无论是高斯成形还是梯形（三角形）成形,在数据集足够丰富、深度学习模型训练足够充分的条件下,基于深度学习的堆积脉冲识别技术均能够有效地识别和分离堆积脉冲。（2）采用复合型深度学习模型确实能够在识别堆积脉冲的过程中,提高计算效率,节约时间。（3）对于¹³⁷Cs的能谱,采用Na I（Tl）探测器与N-G275铅室组合的探测器测量200秒并且采用S-K高斯成形时,且脉宽为202Ts时,该谱发生脉冲堆积的概率约为3.39%。采用LSTM模型能够在相邻脉冲之间的最短间隔时间为50Ts的条件下准确对堆积脉冲进行识别,该深度学习模型识别堆积脉冲的能力为74.39%。同样对于¹³⁷Cs的能谱,当其采用梯形成形,且成形时间为340Ts时,该谱发生脉冲堆积的概率约为5.65%,采用CNN-LSTM模型能够在相邻脉冲之间的最短间隔时间为20Ts的条件下准确对堆积脉冲进行识别,该深度学习模型分解堆积脉冲的能力为93.96%。（4）对于高计数率的X射线光谱,采用FAST-FDD探测器作为实验研究平台。其中,对于²³⁸Pu的标准源,当探测时间为120s时采用梯形成形且成形时间为70Ts时,其发生脉冲堆积的概率为16.789%。采用CNN-LSTM模型能够在相邻脉冲之间的最短间隔时间为30Ts的条件下准确对堆积脉冲进行识别,该深度学习模型分解堆积脉冲的能力为54.89%。对于⁵⁵Fe标准源,当探测时间为500s时采用三角形成形且成形时间为60Ts时,其发生脉冲堆积的概率为2.240%。采用CNN-GRU模型能够在相邻脉冲之间的最短间隔时间为40Ts的条件下准确对堆积脉冲进行识别,该深度学习模型分解堆积脉冲的能力为33.07%。（5）对于⁵⁵Fe标准源的X射线光谱的修正,采用FAST-SDD探测器作为实验研究平台。通过本文提出的基于分类、分级的深度学习谱修正模型,能够对平均间隔时间为145Ts的实测相邻脉冲序列达到80.78%的堆积脉冲识别效率。从而将整个⁵⁵Fe标准源的X射线光谱的计数率提升约4.7361%。综上所述,本文提出的方法能够有效克服含有噪声的堆积脉冲在参数识别过程中的困难,识别到的参数具有较高精度,并且能够有效对高计数率背景下的谱计数率进行修正,是一套性能良好的堆积脉冲识别与谱修正方法。