Los contenidos de Si y Mn en aleaciones de acero son índices característicos importantes que influyen en la plasticidad y propiedades de soldadura de estas aleaciones. En este trabajo, se estudian los métodos de análisis cuantitativo para elementos traza bajo matrices de aleación complejas mediante espectroscopia de descomposición por láser inducida (LIBS), lo que proporciona una base para utilizar la tecnología LIBS en la detección rápida en línea de las propiedades de aleaciones de acero. Para mejorar la precisión del análisis cuantitativo de LIBS, se introducen métodos de algoritmos de aprendizaje profundo. Dadas las características de los espectros de LIBS, exploramos la extracción de características desde múltiples perspectivas y métodos de diferenciación inversa para extraer las características espacio-temporales de los espectros de LIBS. El modelo de Red Neuronal Convolucional de Texto (TextCNN), combinado con la extracción de características desde múltiples perspectivas, muestra buena estabilidad y menores errores relativos promedio (6.988% para Si, 6.280% para Mn) en el conjunto de pruebas en comparación con el método tradicional de análisis cuantitativo y el modelo de red neuronal profunda (DNN). Finalmente, se emplea el método de diferenciación inversa para optimizar la matriz de entrada espectral LIBS bidimensional, y los resultados indican que los errores relativos promedio de los elementos Si y Mn en el conjunto de pruebas disminuyen a 5.139% y 3.939%, respectivamente. El método propuesto en este trabajo establece una base teórica y soporte técnico para la predicción precisa y el monitoreo de calidad en línea.