【摘要】针对化工园区风险点空间尺度小、排放因子相关度高、因子谱差异性较小等问题和传统溯源模型解析难度大、模型结果不确定的挑战，本文通过引入人工智能技术，提出了一种基于深度学习的溯源方法，旨在提高溯源性能，为化工园区智能化、精准化治理提供技术参考。首先分析研究区域化工园区气象条件，通过模拟化工园区挥发性有机化合物（ｖｏｌａｔｉｌｅ ｏｒｇａｎｉｃ ｃｏｍｐｏｕｎｄｓ，ＶＯＣｓ） 泄漏事故建立数据集，以解决数据样本层面稀缺性问题。其次，通过深度学习技术构建化工园区ＶＯＣｓ 事故风险溯源模型。最后结果表明：通过Ｃｈａｍａ 仿真产生的数据集可以满足后续深度学习模型的数据需求；构建并对比了卷积神经网络（ ｃｏｎｖｏｌｕｔｉｏｎａｌ ｎｅｕｒａｌｎｅｔｗｏｒｋ， ＣＮＮ）、长短期记忆网络（ｌｏｎｇ ｓｈｏｒｔ⁃ｔｅｒｍ ｍｅｍｏｒｙ，ＬＳＴＭ）、ＣＮＮ＋ＬＳＴＭ ３ 种深度学习网络模型，其中基于ＣＮＮ＋ＬＳＴＭ 的深度学习模型能够精准实现化工园区ＶＯＣｓ 事故风险溯源，溯源精度可以精确到化工园区中的每一个企业，准确率达到９８％以上。