随着我国航天事业的快速发展,密封继电器内的多余物问题成为限制航天系统安全性能的主要问题。微粒碰撞噪声检测(PIND)是目前航天密封继电器制作完成后不可缺少的多余物检测实验。由于传统的多余物检测方法易出现将组件信号或多余物信号误判的情况,这对于航天事业的发展存在很大的安全隐患。本论文正是基于此现状展开研究,主要目的是在Python编程环境下,搭建出一套高效的随机森林分类模型的仿真系统,提高多余物信号识别的准确率,解决目前多余物检测精度低的问题。本文主要对PIND实验采集处理后得到的数据集进行分类处理,通过仿真实验完成对于多余物信号的高效识别。在面对实验获取的数据集类别不平衡问题时,在原始SMOTE过采样算法基础上提出了LR-SMOTE算法,使新生成的数据更具有少数类的代表性。通过对随机森林算法中单棵决策树的分类准确率和决策树之间的相关性进行度量,保留优质的决策树构建最终的随机森林模型,然后将蚁群算法和网格搜索算法结合使用,对随机森林固有参数8)(6＿(90)?和8)(6＿1)0)(60)进行优化,使最终搭建的模型对多余物信号识别的准确率达到最高。最后搭建优化后的随机森林模型并与检测设备对接,应用于实际检测。本文的研究有效改善了多余物信号的误判问题,提高了多余物信号识别的准确率,对我国军事及航天领域安全发展具有重要研究意义。