Con el objetivo de clasificar y reconocer motores aéreos, se utilizan dos espectrómetros de infrarrojo por transformada de Fourier (FT-IR) para medir el espectro infrarrojo del chorro caliente del motor aéreo, mientras tanto se establece un conjunto de datos espectrales de seis tipos de motores aéreos. En este artículo, se diseña un autoencoder convolucional (CAE) para la extracción y clasificación de características espectrales, que está compuesto por una red de codificación, una red de decodificación y una red de clasificación. La red de codificación consiste en capas convolucionales y capas de agrupamiento máximo, la red de decodificación consiste en capas de aumento de muestreo y capas de deconvolución, y la red de clasificación consiste en una capa aplanada y una capa densa. En el experimento, los datos del conjunto de datos espectrales se muestrearon aleatoriamente en una proporción de 8:1:1 para producir el conjunto de entrenamiento, el conjunto de validación y el conjunto de predicción, y las medidas de rendimiento fueron precisión, exactitud, recuperación, matriz de confusión, puntuación F1, curva ROC y valor AUC. El resultado experimental del CAE alcanzó una precisión del 96% y el tiempo de ejecución de la predicción fue de 1.57 s. En comparación con la extracción de características PCA clásica y los algoritmos de clasificación SVM, XGBoost, AdaBoost y Random Forest, así como los métodos de clasificación de aprendizaje profundo AE, CSAE y CVAE, la red CAE puede lograr una mayor precisión y eficiencia y puede completar la tarea de clasificación espectral.