铀样品的富集度分析及属性判定是核保障中衡算测量和核查测量的重要内容，γ能谱分析方法是核保障无损分析(NDA)技术中重点研究的方法。本工作深入考察了核保障技术的研究背景以及技术进展，重点研究了γ能谱相对效率分析方法和人工神经网络(ANN)分析方法，并研究了一种利用γ能谱测定封装浓缩铀属性的辅助方法。铀富集度的γ能谱分析方法在国内研究较少，该方法运用了自发射γ能谱的相对探测效率自刻度原理。本工作首次分析了Pc／FRAM软件的算法并使用高纯锗探测器探测欧共体低浓铀标准样品，使用PC／FRAM软件的缺省参数并不能得到准确的富集度值，通过大量的实验，本工作对铀富集度测量中的关键问题进行了初步的研究并给出了本实验室条件下准确分析铀富集度的修正参数和条件。使用同位素表第八版的数据修正的参数文件，分析结果的不确定度小于5%，在约束测量距离并进一步修正参数文件后，分析结果的不确定度小于2%。铀富集度的神经网络分析方法在国外的研究资料较少，在国内是首次开展研究的，本工作研究了人工神经网络(ANN)用于分析铀富集度的原理、方法和适用条件，取得了一定的进展。在核保障核查测量中和实物监测中，测量对象往往是规格确定并种类有限的元件或部件，只需要关心测量对象的属性是否发生了变化，或者对同一种类的放射性样品的一致性做出判断，这种要求下使用神经网络方法是比较适宜的，并且神经网络方法是与探测器和探测效率无关的。本工作采用径向基神经网络模型，使用平面高纯锗探测器测量铀样品的低能区能谱作为训练数据和测试数据。分析结果表明，使用泛化能力较高的混合训练集训练神经网络，网络给出的富集度值与标准样品的标称值之间的相对差异小于13%；使用泛化能力相对较弱的分组训练集训练神经网络，网络给出的分析结果的不确定度小于2%；使用分组训练集和广义回归神经网络，网络给出的分析结果的不确定度小于0． 2%;封装浓缩铀属性的判定一直是NDA测量技术中的难点问题，本工作提出了一种辅助探测的方法并给出了高浓铀的判定依据，该方法通过探测232U衰变子体核素208T1的2614,75 keV特征γ射线能峰确定铀样品中是否存在232U,从而判定封装样品是否为高浓铀。本方法的原理在国外的某些报告中简单提到过，在国内尚未见到同类研究工作，本工作通过理论分析和γ能谱分析验证了从铀-钚循环中得到的浓缩铀会有少量232U的积累或玷污，并且在较厚金属屏蔽的情况下也可以有效测定 2614．75 keV能峰。结果表明：通过测定 2614．75 keV来辅助判断浓缩铀属性的方法是可行的。