工程塑料优异的介电性能和金属可替代性,使其成为5G建设的热门材料.对外观相近但性能不同的几种工程塑料的检测与定性分析,有助于工程塑料更好地应用于5G线路板和天线模块的制造.应用太赫兹时域光谱技术(THz-TDS)对几种常见的工程塑料PEEK、PPS、ABS进行光谱检测,分别得到三种工程塑料在太赫兹波段的光谱数据.通过快速傅里叶变换,将三种工程塑料的THz时域光谱进行转换,获取工程塑料在0.1～1.2　THz下的THz频域光谱,并经过计算提取出相应的吸收光谱.分析THz时域光谱可知,不同种类工程塑料的THz时域谱存在时间延迟线和振幅的差异,可以直观地显示出各种塑料间的差异,这表明工程塑料的THz-TDS分类识别具有一定的可行性.但由于同属工程塑料,在太赫兹波段上表现为峰位、峰值相近,且各个材料无明显的THz特征吸收峰,因此无法直接以指纹谱进行判定.鉴于此,研究将非线性工具卷积神经网络(CNN)应用于无明显特征吸收峰的工程塑料识别研究的可行性,通过对CNN的网络结构和重要权值参数的优化,提出了一种改进的CNN分类模型.该模型使用LeakyRelu激活函数,添加BN层,利用Adams梯度下降算法,保证分类器的鲁棒性,加快网络分类速度,提高太赫兹吸收光谱识别精度,同时可以有效地解决由于THz光谱数据量不足而容易陷入局部最优问题.并将该方法同传统的线性工具主成分分析-支持向量机法(PCA-SVM)进行对比.对比实验结果显示:改进的CNN分类模型平均运行耗时为0.15　ms,训练集准确率为99.6％,测试集准确率达到98.8％;相较传统的PCA-SVM分类模型,其分类效率大幅提升,同时测试集分类准确率提高了27.3％,训练集分类准确率提高了30.9％.研究结果表明:将THz-TDS与改进的CNN分类模型相结合,能够实现对上述三种工程塑料的精确鉴别与分类识别,为工程塑料的非接触快速无损检测和识别提供了新方法,也为其他无THz特征峰物质的识别与检测方法研究提供参考.