核磁共振(NMR)波谱是一种用于探测分子结构和提供定量分析的稳健的非侵入性表征技术。然而，进一步的NMR应用通常受到低灵敏度性能的限制，尤其是对于异核实验。在此，我们提出了一种轻量级的深度学习协议，用于高质量、可靠和快速的NMR波谱降噪。该深度学习(DL)协议具有轻量级的网络优势和快速的计算效率，有效地抑制噪声和伪峰信号，并恢复几乎完全淹没在严重噪声中的目标弱峰，从而实现了可观的信噪比提升。此外，它仅使用物理驱动的仿真NMR数据学习，在频域中实现令人满意的波谱去噪，并允许区分真实信号和噪声伪影。此外，训练的轻量级网络模型通用于一维和多维NMR波谱，并适用于不同的化学样品。因此，本研究呈现的深度学习方法在化学、生物学、材料和生命科学等领域具有应用潜力。

通过两步反应制备了一例吡啶鎓-查尔酮探针(1)，并使用¹H NMR和质谱表征了探针的结构。在富水溶液中，探针1的自身荧光微弱，而次氯酸根(ClO^-)能够显著增强探针1在550 nm处的黄色荧光。探针1对ClO^-的响应具有速度快(小于30 s)、灵敏度高(检测限为0.4 μmol·L^-1)和斯托克斯位移大(130 nm)等优点。利用质谱和理论计算方法推测了ClO^-介导的探针1的氧化-消除反应机理。此外，该探针成功用于活细胞线粒体和斑马鱼中ClO^-的荧光成像。