空气中粒子之间频繁的碰撞和摩擦都会致使粒子带电,对带电粒子的散射特性与逆散射研究将有助于遥感、成像及大气光学的发展。Mie理论能够精确地计算平面波入射的粒子散射特性,但只能得到总体散射之后的结果,使用Debye级数展开（DSE）方法则能对粒子的每个散射过程加以解释分析。具有独特光学特性的石墨烯涂层粒子通过Drude-Sommerfeld模型转化亦可将其认为是一种特殊的带电粒子。贝塞尔光束是一种沿着传播方向,传播特性保持不变的典型结构光束。使用广义洛伦兹米氏理论（GLMT）能够对贝塞尔光束入射的石墨烯涂层球散射特性加以研究。神经网络是一种重要的机器学习方法,通过数据的驱动能够很好的解决分类与回归问题,因其在反演方面精度高,速度快的特点,使其成为了近年来解决逆散射问题重要方法。本文基于上述研究方法,研究了带电球形粒子的散射与逆散射问题。首先,基于DSE方法研究了平面波入射带电球形粒子的散射;其次,基于GLMT研究了贝塞尔光束入射到石墨烯涂层金纳米球的散射;进一步地,利用神经网络实现了带电球形粒子（石墨烯涂层金纳米球）参数的反演。主要的研究工作如下:1.推导了带电球粒子散射的DSE。其中,菲涅尔系数通过求解带电球粒子与空气之间的边界条件得出,并利用其将全局系数展开成Debye级数形式,同时给出了远场散射强度、消光和吸收效率的计算公式。首先,通过与Mie理论（对于带电球形粒子）和DSE（对于中性球形粒子）的数值仿真对比,验证了DSE的正确性。其次,使用DSE计算了平面波入射的带电球形粒子的远场强度、吸收和消光效率,并研究了各种参数（包括表面电荷、折射率、尺寸参数、德拜模式等）的影响,也分析了带电粒子产生的彩虹。2.基于机器学习方法,搭建带电球形粒子逆散射的神经网络模型。通过平面波对带电球形粒子的半径、折射率和表面电荷的快速反演,分析了网络隐藏层神经元个数对反演精度的影响,借助测试集中加入随机噪声的方式检验了所设计系统的抗噪声性能。测试结果表明,表面电荷和半径大致呈现出隐藏层神经元的个数越多,反演精度越高;当相对噪声为10%以下时,反演效果影响不大,噪声为20%时,个别案例误差稍大,噪声为40%,反演精度变差,总体上系统能保证在相对噪声小于10%时取得良好效果。同时,折射率的反演精度相对稍差,抗噪声能力也有所下降。3.基于Drude-Sommerfeld模型与GLMT,研究了石墨烯涂层金纳米粒子对贝塞尔光束的散射,数值计算了远场散射强度分布,分析了不同层数与粒子球核半径的石墨烯涂层金纳米球的远场散射强度受贝塞尔光束阶数、半锥角、偏振角的影响。并通过逆散射神经网络模型,成功实现了石墨烯涂层金纳米球的涂层层数、粒子球核半径的反演,对反演精度的变化规律及系统抗噪声能力进行了分析。计算结果发现,贝塞尔光束入射时,石墨烯涂层球的粒子球核半径越大或石墨烯涂层层数越多,相应的远场强度越强。石墨烯涂层金纳米球远场散射强度受贝塞尔阶数,半锥角的影响较大,受偏振角的影响较小。反演方面由贝塞尔波束入射的数据集当隐藏层神经元个数增加至600时效果达到最佳。而由平面波入射下的数据集反演精度相对更高,且神经网络隐藏层神经元个数仅为300时,已经有较好的效果,网络系统在相对噪声小于5%时性能较好。