中子检测在辐射防护、核反应堆监测、核聚变研究和医学成像等领域发挥着重要作用（Hachem等人，2023a；Cai等人，2019；Li等人，2023）。由于具有高灵敏度和高检测效率的优势，闪烁中子探测器被广泛使用。传统的闪烁中子探测器不仅对中子信号保持高灵敏度，还对伽马射线有强烈的响应（Phan和Nguyen，2019；Yoon等人，2023）；然而，伽马射线作为背景干扰会显著降低中子检测的准确性。因此，实现中子和伽马射线之间的有效鉴别已成为提高中子检测性能的关键因素。在各种技术中，基于脉冲形状鉴别（PSD）的中子-伽马射线鉴别技术因其明确的物理机制而受到广泛关注（Astrain等人，2021；Chuan等人，2023；Alharbi，2024；Xu等人，2024）。其核心原理是利用中子和伽马射线照射到闪烁体时产生的脉冲衰减特性差异：中子引起的脉冲衰减时间较长，而伽马射线引起的脉冲衰减时间较短，从而能够有效区分两者（Hammad等人，2019；Garnett和Byun，2024；Teh等人，2021；Caccia等人，2022；Choi等人，2019）。
传统的PSD方法最初主要关注时域分析，其中电荷比较方法是最经典的。该方法通过计算脉冲尾部积分与总积分的比值Q_tail/Q_total作为鉴别指标，具有原理简单和硬件实现成本低的优点（Hachem等人，2023b；Heltsley等人，1988）。然而，在低能区域（低于500 KeVee），中子和伽马射线脉冲的形状差异变得较弱，导致电荷比较方法的鉴别性能显著下降（Hai等人，2025）。为了解决这个问题，研究人员引入了频域和时频分析方法，如傅里叶变换（Liu等人，2010）、连续小波变换（Arahmane等人，2020）和短时傅里叶变换，以提取更多特征信息。STFT可以提供信号的时频分布信息，适用于处理非平稳信号。然而，其传统应用通常依赖于基于经验的特征频率点或统计量，难以充分探索时间和频率之间的潜在动态相关模式。
近年来，随着机器学习（ML）技术的快速发展，脉冲形状鉴别（PSD）的性能得到了显著提升（Pan等人，2025；Fabian等人，2021；Arahmane等人，2021）。在各种ML算法中，无监督学习方法（如高斯混合模型（GMM）通过建模特征分布来实现脉冲聚类。这些方法在一定程度上可以适应不同的信号分布，但在高维特征空间中容易受到“维度灾难”的影响，并且在能量重叠区域表现出较高的误分类率。对于监督学习方法，K-最近邻（KNN）和支持向量机（SVM）等技术依赖于手动设计的低维特征进行分类。它们难以自主探索特征之间的内在相关性，核函数的选择也受到经验知识的限制（Yu等人，2015；Liu等人，2023a；Durbin等人，2021；Qi等人，2021）；同时，由于计算复杂度高，这些方法难以在硬件平台上高效部署。尽管近年来提出的混合模型（例如GMM-KNN）在低能区域的鉴别性能有所提高，但它们仍然依赖于浅层网络结构和手动特征提取，难以捕捉复杂的非线性时频特征。
在中子-伽马射线鉴别技术的实际工程应用中，除了鉴别准确性外，实时性能也是一个关键考虑因素。在LabVIEW等软件平台上实现的鉴别算法具有一定灵活性（Tingmeng等人，2024），但受到串行处理架构的限制。当计数率超过每秒10,000个脉冲时，它们的处理能力受到显著限制（Ding等人，2024），难以满足实时要求。现场可编程门阵列（FPGA）凭借其高度并行的架构、低功耗和低延迟特性，成为构建嵌入式实时鉴别系统的理想选择。尽管一些现有研究尝试将脉冲形状鉴别算法移植到FPGA平台（Liu等人，2023b；Morales等人，2024），但大多数研究仍集中在传统的PSD算法或浅层神经网络上，未能充分利用深度学习对复杂特征进行建模的能力。
为了解决上述问题，本研究提出了一种基于短时傅里叶变换和动态特征融合的中子-伽马射线鉴别方法，并在现场可编程门阵列（FPGA）上实现了硬件部署。核心创新包括：（1）利用STFT将脉冲转换为了一维时频特征向量，以捕捉传统时域/单频域方法忽略的动态衰减模式，例如中子脉冲中低频成分的持续时间和伽马脉冲中高频成分的衰减率；（2）利用DFF模型通过注意力机制动态调整时频特征的权重，实现自适应融合，克服了传统浅层模型或固定结构深度网络对非线性模式的建模不足；（3）根据FPGA的并行架构特性优化模型结构。在确保鉴别准确性的同时，该模型能够实现每秒处理超过20,000个脉冲的实时处理，展现了出色的实时处理能力，实现了算法性能和工程实用性的协调优化。
