近几年来,土壤重金属污染日益严重,随着土壤重金属检测技术的迅速发展,X射线荧光（X-Ray Fluorescence,XRF）光谱检测技术因其在土壤重金属检测方面的优势,已经被众多国内外学者所深入研究。XRF光谱检测技术因其具有检测速度快、精度高、操作简便等优点,更适用于对现实生活中土壤重金属元素含量的检测。针对传统重金属检测技术速度慢、操作复杂、检测成本高等不足,研究采用XRF光谱检测技术对土壤重金属元素含量进行检测,并建立相应的定量预测模型,课题的主要研究工作如下:首先,基于XRF光谱分析的理论基础,采用能谱仪获取含有Cr、Zn、As、Pb、Cd等5种重金属元素的土壤XRF光谱数据,测试分析了土壤粒径、土壤含水率及重金属元素浓度等变量对XRF光谱特性的影响,得到了对土壤XRF光谱特性影响可忽略的粒径大小,并采用多元散射校正算法对含水率大于15%样品盒XRF光谱进行了校正。其次,提出了一种在土壤含水率影响下的卷积神经网络（Convolutional Neural Networks,CNN）预测模型,首先研究采用小波硬阈值法对土壤XRF光谱进行去噪处理,并采用全能峰面积法结合箱形图的方式有效地扣除了光谱本底以及剔除异常XRF光谱数据。通过对CNN网络的结构研究,提出了利用5个平行光谱数据构造二维XRF光谱信息矩阵的方式作为模型输入,选择了3层CNN网络提取在含水率影响下的土壤XRF光谱特征,并对土壤中Zn元素含量进行定量预测。引入对比模型,测试结果显示CNN预测模型的决定系数R~2达到0.9583,效果优于其它预测模型,预测效果良好。最后,针对CNN预测模型训练时间长、迭代次数过多等问题,借鉴算法级联的原理,重新构建了一种CNN-ELM混合预测模型,该模型通过极限学习机（Extreme Learning Machine,ELM）算法训练速度快,精度高等特点,利用CNN网络提取在含水率影响下的XRF光谱深层特征,并将该特征信息输入到ELM模型中进行训练,以提高预测效率。通过引入对比模型,以Zn元素的含量预测为例,测试结果说明,采用该方式构建的CNN-ELM混合预测模型迭代次数减少,预测精度提高,模型决定系数R~2高达0.9854,同时该方式也为其它重金属含量的预测提供了相应的技术支持。