中子技术广泛应用于反应堆系统设计、中子学实验、工业无损检测等领域,中子能谱精准调控与测量技术,即获得满足特定需求的中子能谱并实现测量,是整个中子调控技术的核心问题。反应堆中子能谱的精准调控影响到反应堆设计的经济安全性与中子学实验的可靠性等,同时实现精准测量是保证调控准确度的关键因素之一,传统中子能谱调控技术凭借人工经验迭代设计调控模块,调控准确度难以保证,另外,宽能域中子能谱的在线测量技术也存在解谱准确度提升难的技术挑战,难以对调控能谱进行准确评估。本文结合逆向调控与深度学习思想,开展了反应堆宽能域中子能谱精准调控与测量方法研究。主要内容与创新包括:（1）通过自适应优化持续消除源能谱与目标能谱的差异,提出了一种基于智能修正的中子能谱逆向调控方法,提高了能谱调控的准确度与效率。该方法预先设计不同类型的调控模块并通过中子输运模拟对其进行多维响应矩阵标定,利用差分进化算法对调控模块的排列组合方式进行自适应优化,最后利用人工神经网络算法对其厚度进行修正以产出最优调控方案。通过在目标能谱上的调控测试,结果表明本文设计的方法相比传统调控方法具有更高的调控准确度与效率。（2）结合反应堆中子能谱特征及能谱数据库,提出了一种基于深度学习的反应堆宽能域中子能谱解谱算法。针对反应堆中谱型特征明显的区域,构建了基于谱型特征识别的解谱算法,挖掘满足反应堆谱型的探测器计数比和特征峰位的规律,建立高质量预置谱,提高了传统迭代法测量的准确度。针对反应堆中谱型特征不明显的区域,构建了基于迁移学习的解谱算法,拓展模型结构以训练深层次的神经网络,突破了训练数据不足的限制,实现了解出谱的自适应抗误差优化。测试结果表明本文设计的方法相比传统预置谱的迭代测量方法的准确度更高。为了验证本文方法在不同反应堆上的应用效果,研究对聚变反应堆ITER实验包层模块（TBM）中子能谱和裂变反应堆（RBEC-M）堆芯中子能谱进行了综合测试。结果表明,在ITER TBM谱上,本文调控方法相较于Mock-up实验谱在均方误差（MSE）上降低了 7.69%,测量方法相较于传统方法降低了 13.40%。在RBEC-M堆芯谱上,本文调控方法在MSE上达到1E-06的量级,测量方法相较于传统方法在MSE上降低了 7.1%。同时,本文方法具有更低的时间复杂度,证实了其具有在反应堆宽能域中子能谱的快速精准调控与测量领域的应用潜力。