太赫兹所处波段的电磁波不存在X射线的电离性质,不会损坏材料属性,而且其光子能量极低,所以可以用来进行无损检测。同时太赫兹光谱信号含有大量的化学和物理信息,能够为物质提供唯一的指纹光谱,拥有“指纹谱”特性,因此能够用来进行物质识别。那么如何能够充分利用信号内包含的信息对物质进行有效的鉴别,如何使用已经得到的太赫兹光谱数据对物质进行有效的识别,已经成为了当前该领域所面临的一个重大问题。随着稀疏表示的出现,它不仅为信号的表示提出了新思路,而且也为太赫兹时域光谱信号的探索与研究指出了新思路。目前,太赫兹信号的表示研究还处在初级阶段,而传统的一些表示方法并不能很好的反应信号的本质特征。针对以上问题,本文提出了太赫兹频谱信号的稀疏表示方法,同时,针对物质的太赫兹光谱特征提取困难、无法分类识别的问题,提出了基于稀疏表示的太赫兹频谱信号识别方法。已知在已有字典学习模型中存在诸多问题,就是学习到的每一类分析字典P之间相关性较大,每个类内的样本编码系数都有很大的离散度。因此本文在字典学习中,针对以上问题,提出一种改进的标准化对角阵结构(DPL RDS)的字典学习模型。通过引入标准化的对角阵不仅降低了各个类别的解析型字典的相关性而且降低了类内编码系数的离散度。实验结果表明,本文提出的改进的DPL RDS算法取得了比其他算法更好的性能,识别效果更鲜明。实现了利用物质太赫兹频谱来对物质进行识别的目的,能够满足利用物质太赫兹频谱对化学物质检测和识别。