Con el objetivo de resolver las dificultades relacionadas con la clasificación e identificación de motores aéreos, se utilizan dos espectrómetros de infrarrojo por transformada de Fourier de telemetría para medir los espectros infrarrojos de seis tipos de chorros calientes de motores aéreos y crear un conjunto de datos espectrales, que se divide en un conjunto de entrenamiento (80%), un conjunto de validación (10%) y un conjunto de predicción (10%). Se utiliza una red neuronal convolucional siamés de búsqueda de picos (PF-SCNN) para emparejar y clasificar los datos espectrales. Durante la etapa de entrenamiento, se diseña la red neuronal convolucional siamés (SCNN) para extraer características espectrales y calcular la similitud de distancia. Con el fin de mejorar la eficiencia de la SCNN, se introduce un método de búsqueda de picos para extraer los picos espectrales, que se utilizan para entrenar el modelo en lugar de los datos espectrales originales. Durante la etapa de predicción, se utiliza el modelo entrenado para calcular la similitud entre el conjunto de predicción y el conjunto combinado del conjunto de entrenamiento y el conjunto de validación, y la etiqueta de los datos de entrenamiento más similares en cada conjunto de predicción se utiliza como la etiqueta de predicción. Las medidas de rendimiento de los resultados de clasificación incluyen precisión, exactitud, recuperación, matriz de confusión y puntuación F1. Los resultados experimentales muestran que el PF-SCNN puede lograr una alta tasa de precisión de clasificación del 99% y puede completar la tarea de clasificar los espectros infrarrojos de los chorros calientes de motores aéreos.