本論文はカシミヤおよびカシミヤ／羊毛混紡織物、純綿およびシルクシルク綿織物を研究対象とし、それらの「動的」スペクトルを用いてクラス間のスペクトル差異情報を拡大した。同期および非同期の2次元相関スペクトルを融合し、複数の動的スペクトルを用いて詳細な化学的差異情報を反映した「化学画像」を構築した。GoogLeNet深層ニューラルネットワーク画像認識モデルと転移学習を組み合わせ、スペクトル分類の新しい方法を確立した。234点の織物サンプルを収集し、水分含有量0％、5.4％、11.2％、16.3％のサンプルを準備し、同時にサンプルの拡散反射近赤外線スペクトルを収集した。乾物サンプルの多様な前処理スペクトルを用い、線形分類法であるSIMCAおよび非線形法のサポートベクターマシン（SVM）を用いて計16の分類モデルを構築した。カシミヤおよびカシミヤ／羊毛混紡織物のSIMCAおよびSVMの最適予測精度はそれぞれ63.33％および70.09％、純綿およびシルクシルク綿織物ではそれぞれ71.02％および72.51％で、いずれも有効な分類を実現できなかった。新しい方法はカシミヤおよびカシミヤ／羊毛混紡織物で92.59％、純綿およびシルクシルク綿織物で94.74％の予測精度を達成し、有効な分類を得た。本論文は初めて画像分類手法をスペクトル分類認識に応用し、新たな研究の道を開いた。実際の応用において収集されるサンプルが少数であり、深層学習に必要な大量データサンプルを満たせない問題に対して、転移学習手法を利用して深層学習フレームワークをスペクトル分類（少数サンプル）に適応させ、人工知能分野における先進的な認識技術を化学問題の解決に応用した成功例を示した。

近赤外分光;パターン認識;深層学習;転移学習