1.一种确定多层浑浊介质光学特性参数及层厚度的方法，其特征在于，包括：获取不同角度激发光下从多层浑浊介质中漫反射出来的光强分布信息，在所述光强分布信息与对应的多层浑浊介质每层的光学特性参数及层厚度之间建立机器学习映射关系模型；

将所述光强分布信息与对应的光学特性参数及层厚度的随机组合划分为训练数据集和测试数据集，并对所述训练数据集和测试数据集进行归一化处理；

利用归一化处理后的所述训练数据集确定不同角度激发光下的漫反射光强分布信息和对应的光学特性参数及层厚度的随机组合的机器学习模型，其中所述光强分布信息作为该模型的输入，每一层的光学特性参数及层厚度作为该模型的输出，对建立的模型进行训练；

利用归一化处理后的所述测试数据集对确定的模型进行测试，通过所述模型将测试数据集的光强分布信息作为输入，预测多层浑浊介质中每层的光学特性参数及层厚度；

将预测的光学特性参数及层厚度与真实的光学特性参数及层厚度进行对比，以评估该模型对多层浑浊介质光学特性参数及层厚度的识别性能。

2.根据权利要求1所述的确定多层浑浊介质光学特性参数及层厚度的方法，其特征在于：所述光学特性参数包括吸收系数μa，散射系数μs，各项异性因子g、折射率n。

3.根据权利要求2所述的确定多层浑浊介质光学特性参数及层厚度的方法，其特征在于：在所述光强分布信息与对应的多层浑浊介质每层的光学特性参数及层厚度之间建立机器学习映射关系模型包括：

通过蒙特卡洛仿真模拟光在由吸收系数μa、散射系数μs、各项异性因子g、折射率n及层厚度d随机组合的多层介质中的传输特性，初始化光子入射角度，获取不同角度激发下光从多层浑浊介质中漫反射出来的光强分布信息；

在所述光强分布信息与所述光学特性参数及层厚度之间建立机器学习映射关系模型如下：

T

f(x)＝wφ(x)+b

式中，x表示不同角度激发光下的漫反射光强分布信息；f(x)表示相对应的光学特性参数及层厚度；φ(x)表示将x映射到高维特性空间的非线性映射函数；w表示高维特征空间的权重向量；b表示偏差变量。

4.根据权利要求1所述的确定多层浑浊介质光学特性参数及层厚度的方法，其特征在于：将所述光强分布信息与对应的光学特性参数及层厚度的随机组合划分为训练数据集的方法包括：

将所述光强分布信息与对应的光学特性参数及层厚度的随机组合划分为训练数据集为{(xi,yi),i＝1,2,…,m}，其中xi表示第i个训练样本的输入值，yi表示第i个训练样本的目标值，m表示训练数据集中的样本数量。

5.根据权利要求1所述的确定多层浑浊介质光学特性参数及层厚度的方法，其特征在于：将所述光强分布信息与对应的光学特性参数及层厚度的随机组合划分为测试数据集的方法包括：

将所述光强分布信息与对应的光学特性参数及层厚度的随机组合划分为测试数据集为{(Xi,Yi),i＝1,2,…,n}，其中Xi表示第i个测试样本的输入值，Yi表示第i个测试样本的目标值，n表示测试数据集中的样本数量。

6.根据权利要求1所述的确定多层浑浊介质光学特性参数及层厚度的方法，其特征在于：对所述训练数据集和测试数据集进行归一化处理的方法包括：将所述训练数据集和测试数据集中的不同角度激发光下的漫反射光强分布信息进行min‑max标准化，使不同角度激发光下的漫反射光强分布信息处于同一数量级。

7.根据权利要求6所述的确定多层浑浊介质光学特性参数及层厚度的方法，其特征在于：将所述训练数据集和测试数据集中的不同角度激发光下的漫反射光强分布信息进行min‑max标准化的方法如下：对数据样本{x1，x2，…，xn}进行归一化处理：式中，zi表示每个样本归一化后的值。

8.根据权利要求1所述的确定多层浑浊介质光学特性参数及层厚度的方法，其特征在于：利用归一化处理后的所述训练数据集建立不同角度激发光下的漫反射光强分布信息和对应的光学特性参数及层厚度的机器学习模型的方法包括：以所述训练数据集中不同角度激发光下的漫反射光强分布信息作为输入，以所述训练数据集中的多层浑浊介质的光学特性参数及层厚度作为输出，建立并训练所述机器学习模型。

9.根据权利要求1所述的确定多层浑浊介质光学特性参数及层厚度的方法，其特征在于：评估该模型对多层浑浊介质光学特性参数及层厚度的识别性能的方法包括：检测所述模型输出预测的多层浑浊介质光学特性参数及层厚度与真实输入到蒙特卡洛仿真模拟中的光学特性参数及层厚度之间的平均相对误差值MRE，MRE越低表示模型预测多层介质的光学特性参数及层厚度的精确度越高，其中yn和yn’分别表示第n个样本数据的真实值和估计值，N表示总的样本个数。

10.一种确定多层浑浊介质光学特性参数及层厚度的系统，其特征在于，包括：数据获取模块，所述数据获取模块用于获取不同角度激发光下从多层浑浊介质中漫反射出来的光强分布信息，在所述光强分布信息与对应的多层浑浊介质每层的光学特性参数及层厚度之间建立机器学习映射关系模型；

数据处理模块，所述数据处理模块用于将所述光强分布信息与对应的光学特性参数及层厚度的随机组合划分为训练数据集和测试数据集，并对所述训练数据集和测试数据集进行归一化处理；

模型训练模块，所述模型训练模块用于利用归一化处理后的所述训练数据集确定不同角度激发光下的漫反射光强分布信息和对应的光学特性参数及层厚度的随机组合的机器学习模型，其中所述光强分布信息作为该模型的输入，每一层的光学特性参数及层厚度作为该模型的输出，对建立的模型进行训练；

模型测试模块，所述模型测试模块用于利用归一化处理后的所述测试数据集对确定的模型进行测试，通过所述模型将测试数据集的光强分布信息作为输入，预测多层浑浊介质中每层的光学特性参数及层厚度；

模型评估模块，所述模型评估模块用于将预测的光学特性参数及层厚度与真实的光学特性参数及层厚度进行对比，以评估该模型对多层浑浊介质光学特性参数及层厚度的识别性能。