低轨航天器在对地观测以及各种地球科学实验任务中具有重要作用,随着越来越多卫星入轨运行以及碎片数量增加,使低轨空间目标碰撞风险大大提高。为有效规避碰撞,对高精度轨道确定与预报的需求也日益迫切。绕地运行目标高精度轨道确定的基本前提是高精度、充足的观测数据以及精确的摄动力学模型。但对绝大多数空间目标而言,特别是空间碎片,由于观测条件和观测手段限制,测轨数据稀疏且精度较低,而且现有摄动力模型精度不能完全满足需求,低轨空间碎片7天轨道预报误差可达几十公里甚至几百公里,其中大气阻力加速度模型参数误差较大是一个主要原因。提高大气阻力模型的精度迫在眉睫。在大气阻力摄动模型中,大气阻力系数是其中的一个关键参数。实践表明,在稀疏观测数据条件下,轨道确定时一并解算得到的大气阻力系数的精度很差,不适用于轨道预报。另一方面,大气阻力系数的时变特性复杂,目前尚无有效的方法进行精确建模。以改善轨道预报精度为目的,本文开展基于随机森林构建大气阻力系数预测模型的研究,利用低轨空间目标的历史数据,建立其大气阻力系数的机器学习预测模型。主要研究内容和创新点如下:1.研究分析三种大气阻力系数的计算方式以及各自的优缺点。通过仿真实验研究在不同观测数据条件、不同大气密度模型以及不同空间环境下,定轨拟合估计的大气阻力系数对目标轨道预报的影响,并探讨不同轨道高度目标对阻力系数误差的敏感性。2.引入随机森林方法构建大气阻力系数预测模型。介绍了决策树的基本原理以及集成思想,给出了随机森林的基本流程;在Python的基础上设计了基于随机森林的大气阻力系数预测模型算法,并对模型构建过程中的重要相关参数进行优化设置。3.利用GRACE-A卫星的历史阻力系数建立基于随机森林的阻力系数预测模型并进行方法性能的评估。在不同的太阳活动水平下,分别使用随机森林预测与传统拟合估计的阻力系数进行轨道预报,实验结果表明,在太阳活动活跃时期,利用随机森林模型预测的大气阻力系数,7天轨道预报精度大幅度占优。4.仿真雷达测轨稀疏数据条件,提出以区间搜索方法生成随机森林预测模型构建所需的历史阻力系数序列,并分别对GRACE-A和CHAMP卫星进行实验验证。结果表明,在稀疏测轨数据条件下,基于区间搜索方法生成的阻力系数序列构建的随机森林模型,有效改善了太阳活动活跃时期的轨道预报精度。本文开展的大气阻力系数预测研究,为改善低轨空间碎片轨道确定与预报精度提供了一种具有良好应用前景的方法,也建立了实测数据验证和其他机器学习模型测试的一个软件框架。