光学湍流效应是是制约光电工程应用的重要影响因素,正确理解和分析大气湍流的原因和特性,对光电系统的设计和实施至关重要,而大气折射率结构常数Cn2是评估大气湍流效应的重要参数。湍流预报的核心在于大气湍流的参数化表达,探索采用机器学习的方法预报Cn2以及复原湍流退化图像是本文的研究内容。通常,近地面的湍流估算主要利用Monin-Obukhov相似理论;高空的湍流估算是基于Tatarski理论和一系列的外尺度模型。本文利用采集的近地面和探空的常规气象参数,设计并优化了 BP神经网络模型,分别建立了南极泰山站附近的近地面湍流预报模型和青藏高原大柴旦地区的高空湍流的廓线预报模型,并取得了较好的估算和预报的效果。此外,本文在研究湍流预报的基础上,建立了端到端的单帧图像复原模型,研究的核心在于去除湍流退化引起的几何形变和模糊。相比于传统的复原方法和已有的深度学习的图像复原模型,提出的模型实时性更强、鲁棒性更好。本文的主要工作和成果如下:1.提出了改进的遗传算法优化的BP神经网络模型（AGA-BP）,首次利用AGA-BP模型完成了南极泰山站近地面的湍流预报。利用遗传算法的全局优化的特征,避免了 BP网络限于局部最优解的问题。利用泰山站的近一个月的近地面湍流数据进行训练与拟合,设计并实现了基于改进的遗传算法优化的神经网络模型（AGA-BP）。AGA-BP模型利用了压强,雪表面温度,以及2 m和0.5 m处的温度,相对湿度和风速作为初始的输入,中间层的隐含节点为6,模型的输出是Cn2的对数值。设计并对比了不同的输入和输出,以及不同的模型对预报的影响。此外,对比WRF模型和ANN模型,AGA-BP模型的输出和实测值最为接近,其相关系数为0.9323,均方根误差0.2367,偏差0.0407。2.提出了退火算法优化的BP神经网络模型（SA-BP）,首次利用SA-BP模型完成了青藏高原大柴旦地区高空的湍流预报。利用退火算法的全局优化的特征,避免了 BP网络限于局部最优解的问题。利用青藏高原大柴旦地区的探空实验数据进行训练与拟合,并采用HMNSP99外尺度模型对Cn2廓线进行估算,同时我们结合大柴旦地区的综合天文参数（相干长度r0,视宁度ε0、等晕角θ0和相干时间τ0）进行验证。结果表明对比HMNSP99外尺度模型,SA-BP模型能够很好的拟合和预测Cn2廓线,是对高空湍流预报的一次新的尝试。3.提出了改进的卷积神经网络模型,利用模型完成了湍流退化图像的复原。利用小的过滤器而非大的卷积核的多尺度卷积和反卷积映射以融合不同的感受野并提供更多上下文细节。提出了将平滑扩张卷积和具有权重的融合子网络相结合的网络结构,获得不同层次的更大的感受野,同时避免了网格化伪影。利用基于物理Fried内核合成的湍流退化图像,Richey-Chretie反射式望远镜捕获的实时图像数据以及开放湍流图像集OTIS的数据进行训练和验证。此外,我们对比了基于多帧复原的模型,视觉一致性和定量性能指标的改进验证了所提出模型的实时性和稳健性。上述提出的基于机器学习的大气湍流预报模型,无论是针对近地面的湍流预报还是高空廓线的预报,在结合实测数据和其他外尺度模型分析,都能很好的拟合和预报。此外,基于机器学习的湍流退化图像复原模型,对实测湍流退化数据和OTIS数据库数据都能进行很好的复原。在未来,需要收集更多的高分辨率的探空数据和湍流退化的图像数据对所提出的模型进行进一步的修正、完善和检验。