立体视觉测量技术因其具有非接触、易于安装、不干扰风洞流场、不破坏桨叶气动外形和精度高等优势,已成为在风洞试验中测量旋翼桨叶位姿与形变的重要手段。摄像机标定是立体视觉测量技术的核心步骤,系统的标定精度将直接决定测量精度。然而风洞试验环境复杂,旋翼桨叶尺寸大,测量范围广,使得传统大视场摄像机标定方法存在靶标的摆放位置姿态依赖人工经验、精度不高、稳定性及可操作性差等问题。本文针对在大场景下进行基于立体视觉的直升机旋翼桨叶运动参数测量时,大视场摄像机标定靶标的摆放位置姿态优化问题,开展了基于强化学习的大视场摄像机标定技术研究。主要工作内容和研究成果如下:（1）构建了大视场摄像机标定问题的环境模型。首先,探清了在有限标定图像数量的条件下,图像样本分布对大视场摄像机标定误差影响大的机理;然后,通过分析标定图像样本采集过程的马尔可夫性,并将其抽象成序贯决策问题,建立了标定图像采集的马尔可夫决策过程（Markov Decision Process,MDP）模型,包括:标定智能体状态空间、标定智能体动作空间、状态转移概率以及奖励函数,为开展本文方法研究提供环境基础;最后,在以摄像机成像系统作为MDP模型模拟环境下,以靶标作为智能体,对标定靶标进行设计,并通过理论分析与实验验证相结合,设计了模拟环境中的噪声模型。（2）提出了基于Q-Learning的大视场摄像机标定方法。首先,采用固定稀疏特征表示方法构建Q表,并通过预探索的方法对Q表中所有的标定状态-动作值进行初始化;然后,以标定反投影误差容限作为收敛条件,在靶标与模拟环境迭代交互的过程中单步更新动作对应的值函数,通过Q-Learning算法对标定智能体进行迭代训练,学习和优化靶标的摆放位置姿态策略;最后,对带噪声图像进行了模拟实验以及对比实验。结果表明,该方法能够为操作人员在标定图像采集过程中靶标的摆放位置姿态提供有效的指导,使得无任何经验的操作人员都可以完成摄像机标定,具有不依赖人工经验等优点,提高了大视场摄像机标定的稳定性以及可操作性。（3）针对Q-Learning方法因高维标定状态空间而存在Q表占用内存大、大视场边界区域位置精度较低等问题,提出了基于深度Q网络（Deep Q Network,DQN）的大视场摄像机标定方法。首先,采用最小堆的形式构建了用于存储标定交互数据的经验池,设计标定交互数据预收集方法并采用即时奖励优先原则设计经验的更新方式;然后,通过多层感知器（Multilayer Perceptron,MLP）构建DQN双网络结构拟合标定状态-动作值函数,并进行训练优化靶标的摆放位置姿态策略;最后,开展模拟实验和真实实验,并分析部分因素对标定精度的影响。模拟实验结果表明该方法有效地减小了算法的内存占用、提高了大视场边界区域位置的精度。按照该方法获得的靶标位置姿态摆放策略,进行多次真实大视场摄像机标定实验,结果表明,无任何经验的操作人员即可完成摄像机标定,且标定精度优于具有丰富经验工程师的操作结果;在5m测量距离,4.6m×2.3m的测量范围内,基于靶标位置姿态摆放策略的立体视觉平均测量误差为0.832mm、相对误差均小于3‰,表明通过该方法指导获得的立体视觉标定精度及稳定性能满足大视场条件下的精度要求;且在相同误差限2‰条件下,立体视觉工程师标定成功率约60%,而基于该方法的标定成功率达到100%,有效地提高了大视场摄像机标定的成功率。综上,本文创新方法有效地解决了大视场摄像机标定过程中靶标摆放导致标定依赖人工经验、精度不高、稳定性差的问题。