随着科学技术快速发展,现代工程对材料性能提出更高更严格的要求。目前,研究材料特性主要通过实验手段,然而应变电测法等传统测量技术存在测量点个数少、受环境因素影响大等不足,不能准确获取试验试件表面的全场位移变化,使得传统测试中以单点或有限点测量信息进行材料特性识别时易出现“神秘材料”现象。数字图像相关技术作为一种常用的表面变形非接触测量手段,在实验力学领域已广泛使用。基于数字图像采集系统获取的试件量规表面散斑形变信息,通过相关性计算得到全场位移,再根据变形体连续性假设获得全场应变。数字图像相关可以为材料表征工作提供充足测量信息,但针对参数反求而言全场测量信息全部作为反求输入过于冗余,会导致反问题不适定与“维数诅咒”等现象产生。如何在参数反求输入信息维数最低的同时又能充分利用全场测量信息是目前研究的一个难点。另一方面,在不同应变率的加载条件下,同种材料表现出来的力学特性存在明显差异。因此,如何将作为参数反求输入的数字图像相关测量信息降维,对不同加载条件下的材料参数进行预测和评估,确定准确的材料模型的研究将具有十分重要的理论价值和工程意义。本文针对上述难点开展研究,主要工作如下:（1）基于数字图像相关和正交匹配贪婪算法的最优测点布局方法。选取试件量规段中心测点为第一测点,将全场的位移响应正交化获取其特征向量,并以特征向量方向为新坐标系,将全场各测点响应信息向特征向量坐标系投影,基于贪婪算法原理迭代出最优测点组合,确定了用于材料参数反求的试件量规段表面测点的最佳位置与数量。完成了将样本冗余信息剔除与相关信息正交化过程,实现了对数字图像相关参数反求输入端的降维,提高材料参数识别反问题求解效率,避免了反求过程的不适定性。（2）基于载荷-响应曲线流形学习的材料特性参数反求方法。开展了不同应变率加载条件下的材料拉伸试验,基于数字图像相关获取材料的全场动/静态载荷-响应信息,假设所有可能的材料特性参数组合所模拟出的载荷-响应曲线均投影在某个低维空间里的光滑流形上,并在此低维空间内进行材料参数识别。基于主成分分析与流形学习方法,以有限元模型输出响应构建流形空间,获得实验测量响应在流形空间中的投影坐标,采用多项式代理模型构建参数空间与载荷-响应曲线流形空间之间的映射关系,应用遗传算法对目标函数迭代寻优并优化反问题参数区间,满足收敛条件输出不同应变率加载条件下反求的材料特性参数最优。本文将性能识别过程中非线性反问题的局部线性化处理,解决了试验测量多维响应与待识别参数空间映射关系难以建立,克服了反问题的高度非线性,避免了反问题不适定性等难题,提升材料动/静态特性识别准确性与稳定性。（3）基于拉伸试验特征形貌流形学习的材料特性参数反求方法。通过图像采集系统获得在拉伸试验中试件量规段表面的特征形貌变化历程,采用有限元仿真与试验对照的方法确定特征形貌时间历程范围。利用全场最优布局方法,获得作为参数反求目标的特征形貌最佳时刻和数量,并提取有限元模型中与试验相对应的节点坐标信息构成形貌样本空间。将形貌样本空间通过主成分分析与流形学习转化为流形空间并获得试验特征形貌在此流形空间中的试验投影坐标。计算试验投影坐标与仿真模型特征形貌流形坐标之间的差值作为反求目标函数,采用代理模型构建参数空间与形貌流形空间之间的映射关系,遗传算法寻优实现了材料参数准确反求。解决了试验测量多维特征形貌与待识别参数空间对应关系难以建立的难题,进一步提升了材料特性识别的准确性与稳定性。