基于激光的通信和武器系统是维持海军作战准备和主导地位的组成部分。也许对这些系统来说，最顽固的障碍之一就是大气层。这在近海环境中尤其如此。大气层的湍流干扰了激光束的传播，因为它们会受到空气折射率的波动。当光束穿过大气层时，目标上的辐照度会有损失，光束扩散，光束漂移，以及传播中的激光束的强度波动。折射率结构参数，是对沿途光学湍流强度的测量。如果能在工作环境中容易和有效地确定，对激光器性能的预测就会大大加强。本研究的目标是利用图像质量特征与机器学习技术相结合，准确预测折射率结构参数。为了构建折射率结构参数的机器学习模型，对一系列的图像质量特征进行了评估。选择了七个图像质量特征，并应用于34,000次单独曝光的图像数据集。这个数据集，以及来自闪烁仪的独立测量的 值作为监督变量，然后被用来训练各种机器学习模型。本研究特别关注的模型是广义线性模型、袋式决策树、提升决策树以及随机森林模型。虽然可用的训练数据的数量对模型性能有很大影响，但研究结果表明，图像质量可以用来协助预测，而且机器学习模型的性能优于线性模型。

关键词：光学湍流、机器学习、近海环境和无参照物成像