钚部件来源于内爆法裂变的核弹头以及氢弹的初级，是深度核裁军的重要核查对象，钚部件的模板测量技术是军控核查技术研究的重要内容。　　钚部件的类型决定其γ能谱具有独特的特征:即如果两种钚部件设计与材料相同，其γ能谱是相似的，否则，其γ能谱会出现差异。本论文根据Steve Fetter模型建立了简单的钚部件模型;用MCNP程序模拟不同类型钚部件产生的γ能谱，并进一步从中提取能够反映钚部件类型特征的若干γ射线峰，将它们构成钚部件模板测量的特征数据集代替整个γ能谱进行模板识别。　　在理论模拟的过程中发现:对于某些结构的钚部件，仅依靠γ射线峰作为模板测量的特征数据集，不足以反映这些结构的区别，原因在于钚材料对γ射线强烈的自吸收作用，使钚部件内部结构的变化在探测器分辨能力范围内无法显现出来。为了解决这个问题，本论文在探测γ射线峰的基础上，引入了钚自发裂变产生的中子计数作为特征量，并将γ射线峰与中子计数结合作为特征数据集。　　如何对测量对象的特征数据集与申报钚部件的标准特征数据集进行比较是模板测量与识别的重要内容。本论文提出将神经网络算法作为钚部件模板测量与识别的比较算法，因为它在模式识别方面的应用十分强大。本论文中建立了两种不同的神经网络算法:BP神经网络算法与LVQ神经网络算法，它们分别应用于模板测量与识别的不同方面，其中BP神经网络算法用于对不同类型钚部件进行快速分类;LVQ神经网络算法用于对待核查对象与申报钚部件进行一致性判断。　　为验证基于特征数据集以及神经网络算法的钚部件模板测量与识别的可行性，本论文采用了三种类型的罐装钚样本，对γ能谱与中子计数进行了多次探测，并利用探测数据对该模板测量技术进行了验证:　　首先验证基于特征数据集与BP神经网络算法的模板测量与识别，三种类型罐装钚样本的若干次特征数据集对BP网络进行训练，训练好的BP神经网络能够对来自这三种类型钚样本的任意特征数据集进行正确分类;其次验证基于特征数据集与LVQ神经网络算法的模板测量与识别，利用其中一种类型的罐装钚样本的若干次特征数据集作为训练样本训练LVQ网络，训练好的LVQ神经网络能够对任意特征数据集进行判断，判断该特征数据集所代表的钚样本类型与训练样本类型是否相同。以上两个验证结果都证明基于特征数据集以及神经网络算法的钚部件模板测量与识别是可行的。