微生物与人类的生命活动息息相关,微生物鉴定对于许多行业领域都显得至关重要。比如在医疗领域,准确快速的微生物鉴定能够帮助疾病诊断以及治疗。基质辅助激光解吸/电离飞行时间（MALDI-TOF）质谱技术是微生物鉴定领域中最重要的技术变革与突破。传统MALDI-TOF质谱的分类鉴定往往分为自动特征提取和分类两个步骤,而前者又过分依赖于专家先验知识,如峰高和峰面积等。本文研究旨在通过深度学习等技术,设计出鲁棒性高、自适应的MALDI-TOF质谱的分类鉴定方法。本文基于卷积神经网络（Convolutional Neural Network）构建了用于MALDI-TOF质谱分类鉴定的模型,并通过一系列对比实验确定了网络模型的超参数,实现了对MALDI-TOF质谱端到端的分类鉴定,并且将该模型作为特征提取器与支持向量机（Support Vector Machine）、k近邻算法（k-Nearest Neighbor）、随机森林（Random Forest）及朴素贝叶斯分类器（Na（?）ve Bayes Classifier）相结合进行MALDI-TOF质谱分类鉴定。其次,在上述工作的启发下,基于降噪自编码器（Denoising Autoencoder）构建了网络模型作为特征提取器与其他机器学习分类器结合进行质谱分类鉴定。最后本文使用k折交叉验证（k-Fold Cross-Validation）对上述分类鉴定方法在包含8大类菌种共计3355个的MALDI-TOF质谱样本数据集上进行了分类性能评估。实验结果表明基于卷积神经网络的端到端分类鉴定方法效果最优,其准确率、宏平均精准率、宏平均召回率、宏平均F1分数、加权平均召回率、加权平均精准率、加权平均F1分数均超过99%。最后本文基于上述工作设计并实现了 MALDI-TOF质谱分类鉴定软件。软件采用插件架构,提高了软件功能扩展性,也方便后期维护开发。