基于低分辨率红外发射光谱采集技术，耦合深度学习计算方法，提出了一种烟气温度和CO2浓度在线检测方法。利用气体光谱辐射模型计算训练数据，基于多层感知器(MLP)神经网络反演火焰烟气温度和CO2浓度的分布，结果表明，MLP神经网络模型对温度、CO2和H2O体积分数的反演误差均低于1%，预测精度均大于94.5%，具有良好的泛化能力和预测能力。建立了一套基于深度学习与发射光谱耦合的烟气温度和CO2浓度在线检测装置，并对乙烯扩散火焰和C2H4/NH3部分预混火焰展开了研究。乙烯扩散火焰烟气温度和CO2体积分数的测量结果与模拟火焰结果相一致，验证了基于深度学习与发射光谱耦合的在线检测法的可行性。改变部分预混火焰的掺氨比例，分析火焰中轴上方不同高度处气体的温度和CO2浓度变化，结果表明，同一高度处的烟气温度会随着掺入氨气的增加而增大，而CO2体积分数会呈现先增大后急剧减少的趋势。所提出的方法可以较灵敏的检测到温度和CO2浓度的变化，可用于多种火焰的燃烧诊断研究，在燃煤电厂碳排放在线检测上也有一定的应用前景。

0 引言
1 模型与算法
1.1 气体光谱辐射模型
1.2 MLP神经网络重建算法
2 MLP神经网络模型训练及测试
2.1MLP神经网络模型训练
2.2温度及组分气体浓度重建模拟
2浓度在线检测研究'>3火焰烟气温度及CO2浓度在线检测研究
3.1乙烯扩散火焰
3.2部分预混火焰
4结论