中子探测技术被广泛应用在材料勘探、爆炸物的安全检测、环境污染的放射性检测、航天航空、核工业等领域,中子探测技术的广泛应用致使中子探测器也得到了快速发展。但是常用的中子探测器对中子和γ射线均很敏感,因此探测中子之前的首要工作就是甄别中子和γ射线后排除γ射线本底的干扰,所以研究中子和γ射线甄别方法对于应用发展中子探测技术具有重要意义。本文考虑到传统的中子和γ射线甄别算法都有各自的局限性,而BP神经网络算法不仅可以实现的分类器功能又能很好地解决传统算法的局限性。所以本文利用BP神经网络算法的分类功能并结合脉冲形状甄别技术,实现对中子和γ射线粒子的识别分类过程。首先利用电荷比较算法和频域梯度分析算法对中子和γ射线的脉冲信号进行预处理,判断信号的种类,选取同时满足这两种甄别方法筛选条件的中子和γ射线脉冲信号作为BP神经网络的训练样本集。通过利用训练样本训练BP神经网络,使得完成训练的神经网络可以实现中子和γ射线的识别分类功能。并且通过计算BP神经网络的甄别误差率对BP神经网络应用于中子和γ射线脉冲形状甄别的准确性进行验证。结果显示中子脉冲信号甄别误差率为2.2%,γ脉冲信号甄别误差率0.4%;甄别误差率都足够小,所以BP神经网络甄别算法甄别中子和γ射线的准确性足够高。最后通过与电荷比较算法、上升时间算法、频域梯度分析算法、K-means++聚类算法的甄别结果进行对比,进一步证明了BP神经网络算法在混合辐射场中对粒子种类识别分类的有效性。BP神经网络甄别算法在实现过程中确认的训练样本不仅兼顾了脉冲波形的时域和频域波形特征,还解决了训练神经网络过程中训练样本不足的问题。本文的工作还可以为实际甄别工作中甄别方法的选择和优化提供依据。基于BP神经网络甄别算法中确定训练样本的过程能够同时兼顾信号的时域和频域特征,甄别同样数量混合信号的处理时间最快,且中子脉冲信号甄别误差率为2.2%;γ脉冲信号甄别误差率0.4%。因此BP神经网络能够很好的识别分类中子和γ射线,可以为中子探测技术的发展与应用提供坚实的基础。