Las redes neuronales convolucionales (CNN) pueden lograr una clasificación precisa de imágenes, lo que indica el mejor rendimiento actual de los algoritmos de aprendizaje profundo. Sin embargo, la complejidad de los datos espectrales limita el rendimiento de muchos modelos de CNN. Debido a la redundancia potencial y al ruido de los datos espectrales, el modelo CNN estándar generalmente no puede realizar una clasificación espectral correcta. Además, las arquitecturas de CNN más profundas también enfrentan algunas dificultades cuando se agregan otras capas de red, lo que dificulta la convergencia de la red y produce una baja precisión de clasificación. Para aliviar estos problemas, propusimos una nueva arquitectura de CNN diseñada especialmente para datos espectrales 2D. En primer lugar, recopilamos los espectros de reflectancia de cinco muestras utilizando un espectrómetro de fibra óptica portátil y los convertimos en datos de matriz 2D para adaptarse a la extracción de características de los algoritmos de aprendizaje profundo. En segundo lugar, el número de capas convolucionales y capas de agrupación se ajustaron según las características de los datos espectrales para mejorar la capacidad de extracción de características. Finalmente, el principio de selección de la tasa de descarte de la capa de abandono se determinó mediante análisis visual para mejorar la precisión de la clasificación. Los resultados experimentales demuestran nuestro sistema de CNN, que tiene ventajas sobre los enfoques tradicionales basados en AlexNet, Unet y máquina de soporte vectorial (SVM) en muchos aspectos, como la implementación fácil, el tiempo corto, la mayor precisión y la fuerte robustez.