中子探测技术近年来在爆炸物检测、石油勘探、放射物污染检测、核能发电、癌症放射治疗等实际工作中大放异彩。然而无论是在实验室中还是实际应用场所,在中子探测过程中,由于中子与周围环境存在非弹性散射和慢中子的辐射俘获等现象,中子和伽马总是相伴相随的存在,且常用的中子探测器对中子和伽马射线均很敏感,所以如何甄别混合场中的中子和伽马射线,这对于中子探测的研究和发展有着重要意义。本研究考虑到传统中子-伽马甄别算法的不足,结合机器学习提出一种基于主成分分析法（PCA）和遗传算法（GA）改进的支持向量机（SVM）模型,该模型结合脉冲形状甄别技术不仅可以完成中子-伽马甄别分类也可以很好地弥补传统甄别算法的不足。本研究搭建了以芪闪烁体探测器、数字化波形采集模块为主体的中子探测采集平台,采集小型中子源252Cf释放的混合射线。首先使用电荷比较法和频域梯度法对数据进行预处理,把同时满足两种甄别方法的中子和伽马射线构建成训练样本和测试样本。由于SVM模型在进行训练和甄别过程中很容易因为数据维数太大出现过拟合现象,本研究使用PCA对数据矩阵做降维处理,很好地解决了训练测试过程中过拟合及信号堆积问题。SVM的关键参数惩罚因子C和核函数参数g往往都是通过人工经验取值,使得分类精度不佳。GA是一种优秀的全局寻优算法,本研究使用GA对SVM优化后使得模型分类性能达到最优。使用训练样本对PCA-GA-SVM模型训练后可使其实现中子-伽马甄别能力,随后使用PCA-GA-SVM模型对测试样本进行甄别并通过计算甄别误差率来验证模型对中子-伽马甄别的准确率。实验结果表明,PCA-GA-SVM模型对中子信号甄别误差率为0.89%,对伽马射线甄别误差率为0.15%,对两种射线的甄别误差率都足够小,证明PCA-GA-SVM模型对混合场两种射线的甄别准确率足够高。随后又通过与电荷比较法、频域梯度法对比,进一步证明了PCA-GA-SVM模型对混合场中子-伽马甄别的有效性。为了验证PCA和GA对SVM的优化效果,将PCA-GA-SVM与传统SVM和PCA、GA单独优化的SVM横向对比,PCA-GA-SVM模型在甄别时间和甄别准确率优势明显,证明了PCA和GA对SVM良好的优化性能。基于PCA-GA-SVM的甄别模型对中子脉冲甄别误差率仅为0.89%,对伽马射线的甄别误差率仅为0.15%,PCA-GA-SVM模型在运行10次后算术品平均甄别准确率达到了99.43%,在甄别相同数量的混合信号中甄别精度最高。因此PCA-GA-SVM模型能够出色区分中子和伽马射线,为中子-伽马甄别工作提供一种新思路,对中子伽马-甄别工作具有一定的应用参考价值。