非侵入式测定浑浊介质的光学特性参数（吸收系数aμ、散射系数μs、各向异性因子g、折射率n）在医疗诊断、食品安全性检测、材料性能测量方面有着广泛应用。生物组织结构具有复杂性和多样性,仅限于单层组织无法深入探究其内部结构,需要透过表层组织检测下一层甚至更多层组织的光学特性来判断生物组织是否发生病变。因此,需要提取更多层组织的光学特性以更好地量化光在多层组织中的传播特性,更准确地实现对多层组织的无损、实时检测。这种非侵入式的光学检测方法在生物医学和食品安全等领域的应用至关重要。然而,现有的研究主要是识别单层或者双层浑浊介质吸收系数和降散射系数,鲜有涉及分层介质各层光学参数（μa,μs,g,n）以及层厚度d的识别。因此,针对该问题,本课题将利用多角度激发光下的漫反射光信号提高信息的丰富性,结合机器学习算法实现对分层浑浊介质中每层光学特性参数和层厚度的识别研究。论文的主要工作如下:1、浑浊介质漫反射信号生成研究。现有蒙特卡洛方法模拟光传输过程中,一般是将入射光当成直径为零的点来处理,但在实际应用中,入射光束的直径是非零的,并且入射光光束进入组织时难以做到严格的准直,存在一定的发散角。为了使模拟数据更加贴近实际,本文结合光纤的实际尺寸,考虑光纤的发散角,推导得出入射光投射到介质表面时光子的位置和方向角公式。选取合理的光学特性参数范围,设置合理的组织内部网格划分,最后使用蒙特卡洛方法模拟获取漫反射光强分布信息。2、单层介质光学特性多参数的识别。针对单层介质吸收系数、散射系数、各向异性和折射率难以获取及识别问题,利用多角度激发的漫反射光信号提高信息的丰富性,为参数估计带来更多的约束。目前在现有文献中已经证明了不同角度激发光下的漫反射光强曲线是线性无关的,可以采用多角度激发来增强数据的丰富性。同时,本文在考虑入射光束大小和发散角存在的情况下也验证了该理论的有效性。在构建残差神经网络的基础上,通过训练模型实现对浑浊介质吸收系数、散射系数、各向异性因子和折射率的识别。通过蒙特卡洛方法模拟各种条件下的漫反射光信号,并对本文提出的方法进行验证,在模拟过程中考虑了光纤尺寸和发散角的存在。当考虑光纤尺寸和发散角时,样本数据训练模型可以获得更为准确的介质光学特性参数的反演精度。通过在漫反射光强信号加入不同等级的噪声,可以提高网络的泛化能力和抗噪性能。结果表明,本文所提方法对浑浊介质的光学特性参数（μa,μs,g,n）识别的平均相对误差分别为8.6%,4.6%,1.7%,0.9%。通过对比不同模型对光学特性参数的识别结果,验证了本文所提方法的有效性。3、双层浑浊介质光学特性参数和层厚度的识别。针对现阶段仅对单双层浑浊介质吸收系数和降散射系数的识别研究,缺乏对每一层介质光学特性参数（aμ,μs,g,n）以及层厚d的识别研究,并且随着层数的增加,未知参数的数量急剧增加,这给参数估计带来了困难。因此,论文将通过蒙特卡洛方法模拟获取光在双层浑浊介质中漫反射传播出来的光强分布信息,并对漫反射数据添加随机噪声进行数据增强处理。使用残差神经网络,以多角度激发下的漫反射光强信号为输入,对应的分层介质中各层的光学特性参数及层厚度为输出,训练并测试该网络,通过蒙特卡洛方法模拟验证了该方法的有效性。结果表明,本文所构建的方法对双层浑浊介质中每一层各个光学特性参数（μa,μs,g,n）和层厚度d识别的平均相对误差沿光子入射方向依次为8.33%、7.43%、3.01%、1.71%和15.20%;8.32%、7.42%、3.02%、1.72%和15.36%。通过不同模型,包括BP神经网络、卷积神经网络和残差神经网络,对双层介质各层5个参数（μa,μs,g,n,d）的反演结果对比发现,残差网络对光学特性参数的识别效果较优,并且还可以实现对介质层厚度的识别。