随着航天事业的发展和进步,空间碎片问题日益突出,为了对空间碎片进行探测和监控,需要对其光学特性进行研究。双向反射分布函数(Bidirectioanl Reflectance Distributional Function,BRDF)是用来分析目标材料表面光学特性的一种有效方法。本文针对五参数BRDF模型提出一种新的优化方法即混合遗传粒子群算法,另外为了解决传统BRDF模型适用性范围小的缺点,提出了一种GA-BP神经网络对空间目标材料进行BRDF建模,获得了一种适应性广泛并且运算精度更高的建模方法,可应用于不同粗糙度表面的空间目标材料。具体研究工作如下:1.研究了双向反射分布函数的基本理论以及BRDF和其他物理量之间的关系,介绍了BRDF模型的分类并分析了几种常用的物理模型和经验模型,对本文选用的五参数模型进行了单独介绍。2.通过激光散射自动测量系统对几种常见空间目标材料的BRDF以及LRCS值进行了测量和数据采集,为BRDF的优化建模提供了实验数据。3.通过遗传算法和粒子群算法分别对五参数模型进行参数拟合,建立了可见光入射下黄色多层材料和砷化镓电池板的BRDF模型。通过遗传算法对两种材料建立的BRDF模型与实验数据的均方误差分别为0.1474和18.9852,平均每次优化的运行时间为16.7798秒。通过粒子群算法对两种材料建立的BRDF模型与实验数据的均方误差为0.1561和12.6831,平均每次优化的运行时间为1.5281秒。本文提出的混合遗传粒子群算法对两种材料建立的BRDF模型与实验数据的均方误差分别为0.0564和8.0062,平均每次优化的运行时间为3.8305秒。在相同的条件下,混合遗传粒子群算法的建模均方误差相对遗传算法和粒子群算法分别减少了62.81%和47.36%,运行时间相对遗传算法减少了77.17%。可见混合遗传粒子群算法在保证模型运算速度的同时获得了比基本遗传算法和粒子群算法更高的计算精度,可以很好地应用于BRDF经验模型的参数拟合。4.通过BP神经网络建立了不同粗糙度空间目标材料的BRDF模型,对黄色多层材料、砷化镓电池板、硅基太阳能板和黑色纤维板的建模结果与实验数据的均方误差分别为0.1363、0.0942、0.2313和0.0023,相对误差为6.22%、4.21%、13.69%和9.56%。引入遗传算法优化后的BP神经网络对黄色多层材料、砷化镓电池板、硅基太阳能板和黑色纤维板的建模结果与实验数据的均方误差分别为0.0044、0.0292、0.0271和0.0003,相对误差为4.02%、3.68%、2.85%和5.50%。实验结果验证了该方法的广泛适用性,对不同粗糙度表面的空间目标材料均具有良好的运算精度。