太阳能电池作为一种高效的光电转化器, 被广泛地应用于光伏发电系统中。 激光作为一种高亮度光源辐照电池时, 会导致其出现损伤, 可利用电池的表面散射光谱特性, 对其损伤程度进行判别。 通过目标表面散射光谱测量系统, 对激光辐照后的三结砷化镓电池散射光谱进行测量, 并计算双向反射分布函数（BRDF）。 其中测量系统主要由FX 2000和NIR 17型光纤光谱仪组成, 针对电池表面的强镜反射特性, 在实验中采用了入射角和反射角为30°的测量几何模型。 原始三结砷化镓太阳能电池的结构主要包括减反射膜DAR层、 顶电池GaInP层、 中电池GaAs层和底电池Ge层, 其散射光谱特征包括可见光谱段(500~900 nm)的吸收特性及近红外谱段(900~1 200 nm)的类周期振荡特性, 在对连续激光辐照损伤后电池的光谱特性进行实验测量后, 得到了损伤电池光谱BRDF的变化, 并结合基于薄膜干涉理论的电池散射光谱模型, 对各膜层损伤后的特征进行了分析。 结果表明: DAR层的主要作用是降低光谱反射能量, 对光谱曲线的特性影响较小; Ge层对光谱曲线形状基本无影响; 电池散射光谱吸收和干涉等特征主要由GaInP层和GaAs层所引起, 其中, GaInP层主要影响可见光谱段的吸收特性, 并对近红外谱段内的干涉特性起到调制作用, 而GaAs层主要影响近红外谱段的干涉特性, 当其损伤到一定程度后, 会导致可见光谱段内出现干涉特性。 最后, 在实验结果分析的基础上, 通过模型研究了电池各层对散射光谱特性的影响, 并讨论了基于散射光谱特性的电池损伤程度判别, 研究结果可为电池激光损伤判别提供参考。

随着“2020 SO身份之谜”的落幕， 空间目标的光谱表征及识别技术在空间领域感知中的地位再次凸显。 光谱表征及识别技术的突出优点是能够通过空间目标表面反射的光谱识别出其材料， 进而确认空间目标的身份及类型。 该技术在图像不具备空间分辨率的前提下， 仍然能够较准确地识别出材料， 因此通过低成本小口径望远镜进行空间目标材料表征的可行性得到验证。 在这一点上， 传统的观测手段很难做到的。 2000年， Jorgensen的博士论文在该领域内引起了广泛的关注， 从此开启了空间目标光谱表征的研究热潮。 然而， 经历了20余年的发展， 空间目标的光谱表征及识别技术在实际应用中仍然受到了较大的限制， 这与空间目标的光谱表征方式以及空间环境的复杂性和未知性有着较大的关系。 研究者们通常以地面实验室内的测量数据为依据对实际在轨目标进行表征和识别， 而空间环境的作用却导致了两种测量结果之间存在着无法被描述的差异。 光谱解混法是空间目标材料识别的主流方法， 对其原理和应用情况进行了详细的介绍， 并指出实验室测量结果与实测结果之间的差异是造成解混不成功的主要原因。 解混识别的准确率很大程度上取决于光谱数据库的完善程度， 因此在建立光谱数据库时需要重点考虑空间环境和观测几何对空间目标光谱特性的影响。 同时， 人工智能算法的引入也将大大提高空间目标光谱表征及识别的能力。 从空间目标光谱特性及分类研究、 空间目标材料表征及识别研究、 空间目标光谱的红化现象、 光谱数据库的发展情况四个方面进行了详细的综述及讨论， 分析了其中的难点和重点问题， 凝练出了一些具有参考价值的建设性意见， 希望能够给广大研究者提供便利。

卫星本体部件的闪光现象是其个体特征的体现,结合卫星的运动特性及镜反材质的反射特性,从原理上研究镜反部件指向的确定方法,给出卫星本体反射率与镜反部件面积的确定方法。在此基础上,定量分析卫星本体部件的闪光现象,提出一种多元模型用于描述卫星光学散射特性,并进行实测数据的验证。实验结果表明,多元法描述卫星光学散射特性较二元法更为全面,原理适用性更强,能够更具体地反映卫星个体独有的光学散射特性,添加镜反部件后的精度可提高0.111星等。工程应用中,根据实际的观测情况,调整卫星光学散射特性描述模型的元数,以实现对任意目标光学散射特性的模拟。多元模型不仅为解释卫星的闪光现象提供参考,还可作为目标识别与工作状态分析的依据。

空间目标工作状态异常检测是空间态势感知(SSA)的重要内容,也是提高卫星监控效率、保障卫星正常工作的有效手段。针对低轨目标因运动速度较快、观测几何条件变化明显而导致的历史观测数据应用受限的问题,提出了一种基于动态时间规整(DTW)距离的空间目标异常检测方法。该方法结合太阳、目标、测站之间的相对几何关系、空间目标运动特性和空间目标光度学之间的关系,实现了对低轨空间目标运行状态及指向状态的快速诊断。最后利用所提方法分别对风云、GPS、天宫在7种不同工作状态下的光度测量数据进行了大量仿真计算。仿真结果表明,目标状态异常检测正确率达到了90%上,验证了所提方法的有效性。

由于受到外界环境的影响,卫星表面常常呈不规则的褶皱状,这会对其光学特性产生一定影响。故空间目标光学特性建模研究需要将表面褶皱考虑在内,但大量褶皱面元的存在会导致运算量剧增。在此将褶皱看作一种材质,提出基于宏观光学散射截面测量的双向反射分布函数(BRDF)生成方法,求得褶皱材质的BRDF数据,进一步利用误差逆传播(BP)神经网络建立了褶皱材质的BRDF模型,代替了复杂的褶皱建模过程,大大简化了计算,在保证精度的前提下解决了其实时性差的问题。同时,通过实验与仿真相结合的方式,将所设计的BRDF模型与传统BRDF模型进行对比,验证了所设计模型的误差远小于传统模型。

随着各国航天活动的增多, 空间目标的数量和种类不断增加, 对空间目标进行编目识别是各国空间目标监视领域的重要研究内容。 对空间目标进行识别, 主要是为了获得其表面材质、 姿态、 形状、 关键载荷等信息, 而表面材质信息的获取是开展目标光学特性及状态认知研究的基础。 搭建空间目标表面材质多色测光测量系统, 整套系统部署在光学暗室内, 以减少杂散光对测量结果的影响。 光源采用太阳模拟器, 光谱等级A级; 探测器采用美国ASD公司生产的FieldSpec4地物光谱仪, 波长范围350～2 500 nm, 光谱分辨率1 nm, 光纤置于电控转台上, 能对待测样片实现不同观测几何下的测量。 利用Johnson-Cousins UBVRI五色分光系统对8种常用表面材质(砷化镓、 氧化铝、 氧化聚酰亚胺薄膜、 黑漆、 环氧漆、 镀铝聚酰亚胺薄膜、 钛青蓝漆、 白漆) 在不同观测几何条件下的10种色指数数据进行实验测量, 每种色指数分别测得30组实验数据。 采用传统的1-sigma不确定框方法(即对于给定材质的若干组实验数据, 计算其每种色指数的平均值和标准差, 以平均值为中心, 以标准差的两倍为边长画出色指数不确定框) , 在最理想的识别情况下, 通过R-I和B-R色指数不确定框能对砷化镓、 氧化铝、 氧化聚酰亚胺薄膜、 钛青蓝漆四种材质进行识别; 利用B-V和B-R色指数不确定框可以将环氧漆、 白漆识别出来, 剩余两种材质黑漆和镀铝聚酰亚胺薄膜无法通过以上色指数进行识别。 但是1-sigma不确定框方法存在两个主要问题: 一是需要知道待测材质对特定波段敏感的先验信息, 来确定所用的色指数类型; 二是识别率容易受测试样本数量的影响, 可靠性差。 超限学习机算法是一种利用随机化隐层节点和和最小二乘求解方式进行训练的机器学习算法, 具备学习效率快, 泛化性能好, 不容易陷入局部最优解等优势, 被广泛应用于对数据的分类和回归分析中。 因此引入超限学习机算法, 将色指数数据按照2∶1的比例随机分为训练样本和测试样本, 共进行三次随机试验。 在训练样本中, 对每种材质按照1∶8的顺序进行编号, 即编号1∶8的测试样本分别有20个, 分别包含10种色指数数据; 在测试样本中同样对其按照已知归属材质对应编号。 采用决定系数和计算时间作为判断ELM算法准确性和实时性的判断指标。 结果表明: 无论是对单一材质进行识别, 还是对所有测试材质样本, 训练样本决定系数在0.98以上, 测试样本决定系数在0.96以上, 每次试验中最多有3组色指数数据无法识别; 所需总时间最长在0.07 s内完成, 甚至可以达到0.002 s, 识别效率和可靠性远高于传统的1-sigma不确定框法, 表明ELM算法能对空间目标常用材质进行准确快速识别。 相关研究可为空间非合作目标的外形、 姿态等状态信息反演提供技术支持。