煤质的全元素分析是衡量煤炭品质和实用价值的重要标准。传统的煤质分析方法存在操作过程繁杂、人力物力成本较高、破坏样品结构、分析对象单一等问题，难以满足国家对能源安全高效利用战略的新需求。近红外光谱技术作为一种高效、无损的检测手段，被广泛地应用于物质的定量定性分析中。课题组基于近红外光谱技术，研究基于多任务深度学习的煤质定量分析模型，以实现煤炭质量全元素的快速测量。 由于煤样光谱与指标的关系表述复杂，使得现有分析模型存在预测精度低、鲁棒性差的问题。课题组对煤质常用的4种工业指标进行相关性分析后，提出了一种基于参数硬共享的多任务注意力U型网络(Multi Task Attention Unet, MTA-Unet)。该模型主要包括权重参数共享模块和多任务输出模块，其中权重共享模块结合了Unet网络、卷积块注意力模块和多尺度特征融合策略；多任务输出模块则由4个独立的全连接层组成。此外，对不同任务之间由于训练速度不同产生的梯度量级淹没问题，模型采用梯度归一化算法进行优化。为验证MTA-Unet模型的有效性，首先，在同一测试集上对比了其与传统的定量分析算法的预测性能；然后，为探究多任务深度学习模型的有效性，对比单任务的深度学习网络与其对应的多输出网络的预测性能；最后，进行消融实验验证卷积块注意力模块、多尺度特征融合策略和梯度归一化算法的有效性。