X射线的能谱信息在计算机断层扫描(CT)中有重要应用，准确的能谱信息可以帮助实现能谱CT,并对传统CT重建中因射束硬化造成的伪影进行有效校正等。在涉及CT成像的领域，如医学成像和工业检测等，大多数应用中都使用高功率X射线管。这种X射线管可以在短时间内产生大量的X射线，从而提高成像效率，并获取高分辨率和高清晰度的图像。然而，由于高功率X射线管的出射光子通量过高，直接测量其能谱变得较为困难。目前，常用的能谱获取方法是能谱估计，该方法通过获取不同厚度模体的投影数据，建立能谱、衰减系数与投影数据之间的方程组，最终求解该方程组以获得能谱。能谱估计的方法依赖于算法和数据的准确性，由于方程的严重病态，在缺乏初始值的情况下，求解出的能谱会缺失重要的特征信息。为此，提出了一种结合直接测量和神经网络模型预测的新方法。通过使用一定厚度的铁片降低X射线的光子通量，使其达到探测器可检测的水平，然后逐步添加薄厚度的铁片，获取一系列能谱数据。这些数据用于训练神经网络模型，以精准预测出射能谱。仿真数据的测试结果表明，所提神经网络模型在预测能谱方面表现优异，归一化后的预测能谱与真实值之间的均方根误差仅为0.000 031。然而，由于实验条件的限制，实测数据量相对较少，为了提升模型的广泛适用性和预测精度，研究进一步结合了迁移学习的方法。首先，利用大量的GEANT4模拟数据训练神经网络，然后通过实验测得的少量能谱数据对模型进行微调。实验数据的预测结果显示，归一化后的能谱与真实值的均方根误差为0.000 194。与传统的能谱估计方法相比，所提出的方法不仅在精度上有显著提升，而且还能准确捕捉到能谱的重要特征信息。这一方法的优势在于通过神经网络强大的学习能力，克服了传统方法对初始值和病态方程求解的依赖，从而大大提高了预测的稳定性与准确性。仿真数据和实验数据均验证了该方法的可行性。