芬太尼类物质作为第三代新精神活性物质,其危害与传统毒品不相上下,近年来凭借其低生产成本与易合成的特性广泛流通于管控药物市场。随着全球对毒品的管控力度逐渐增强,如何从管控药物中高效准确地识别芬太尼类物质是当前法nonprescription antibiotic dispensing医科学领域中的重点难点之一。得益于科学技术的进步,现阶段质谱技术发展成熟并已广泛应用于法医科学领域的小分子未知物检测任务中。当前在基于质谱数据的芬太尼类物质检测研究中,学者们做了大量工作并取得了一定成果,主要以质谱库检索和质谱数据分类两种解决方案为主,但在实际应用过程仍面临诸多挑战。RP56976体内实验剂量如质谱库检索模型中使用的相似性算法都是在直接质谱数据上实现的,对于一些比较相似的质谱难以区分;部分质谱间相似性算法中引入化学先验知识,在计算过程中存在误差;手工制作的质谱特征往往受主观经验影响。在此背景下,本文针对当前研究中的现有解决方案进行改进与创新,建立了基于质谱数据的智能检测模型,能够很好地对未知管控药物内的芬太尼类与非芬太尼类物质进行区分,解决芬太尼类物质检测这一难题。主要工作如下:1)一维卷积神经网络在芬太尼类物质检测中的应用研究。首先提出了基于一维卷积神经网络的质谱数据分类模型,在两个公开数据集和一个实际数据集上进行验证,并与现有研究中的质谱库检索模型和分类模型进行效果对比,证实了其在当前研究中的可行性,有利于区分管控药物中的芬太尼类与非芬太尼类物质。2)针对质谱库检索技术,研究了基于孪生网络的质谱库检索模型。并在三个数据集上进行实验,与现有的质谱库检索方法进行对比,最终模型取得了95.29%、91.43%和89.23%的最优检测准确率。同时在实验中加入容错分析,分析不同评判标准下的检出准确率变化,实验结果证明模型在提取的高区分度抽象特征上进行相似性计算优于其他质谱库检索模型中的相似性算法。3)对于现有的质谱数据分类模型,针对样本较少的数据缺陷,在一维卷积神经网络上进行改进,研究了基于孪生网络的质谱数据分类模型。在三个数据集上进行实验,并加入质谱数据分类任务中常用的机器学习、深度学习模型进行效果对比,最终模型分别实现了98.81%、95.23%和97.72%的最优分类准确率。最后,使用1D-GrLEE011纯度ad Cam算法进行模型可解释性分析,验证了模型在输入的质谱数据上关注的关键碎片离子片段是具有化学意义的,有利于后续研究中待检测物质的定性分析。伴随着质谱技术的发展与芬太尼类物质的增多,在对现有数据处理技术提出挑战的同时,也为高效检测模型的研究创造了机遇。实验结果显示本研究中提出的两类模型在芬太尼类物质检测任务中存在巨大潜力,有望在法医科学领域中得到应用。