智能照明通过传感器、云服务、大数据和用户习惯,并对光进行控制,不仅可以节约能源、提高照明质量,同时还具有调节情绪的作用。随着科技的发展,室内光源布局、光照传感器布局和灯光亮度自适应调节三个方面已经成为室内智能照明研究领域的热点。然而,室内环境的各异、设计参数（平均照度、均匀度、照明功率密度和眩光度）的互斥、光照传感器人为遮挡和光源二次及以上的反射等问题给室内智能照明应用带来了阻碍。因此,如何利用现代技术的优势,构建一个舒适、节能和满足用户需求的室内智能照明方案,是室内智能照明最具有挑战性的问题之一。本文分别从室内光源布局、用于预测日光的光照传感器布局和灯光亮度自适应调节三个方面开展研究,达到室内智能照明可持续发展的目的。主要研究内容如下:（1）基于改进粒子群算法的室内光源布局研究。针对光源布局问题设计参数复杂、设计目标冲突,提出了改进的数学模型和改进的粒子群算法。室内光源布局问题被表述为一个非线性约束的混合变量优化问题。通过优化四个设计变量,即可唯一确定光源的数量和位置,避免了使用程序循环的方式确定光源数量。从三个方面改进了粒子群优化算法:1)提出了上下概率取整方法来解决混合整数优化问题;2)对历史最优个体的速度更新公式进行改进;3)使用非线性惯性权重并加入随机项。然后,在大量实验中选取其中一个典型的高级办公室场景。将改进粒子群算法与粒子群算法、遗传算法对比,结果表明,改进粒子群算法具有较好的收敛速度和寻优能力。另外,在数学模型中提出的四个设计变量使运行速度提高了15.6%,成功率提高了23.33%。将Developed Program与DIALux仿真结果进行对比,平均照度相差0.4%,均匀度相差2.2%,其他设计参数相同,表明本文提出算法和模型的有效性。最后,本文设计了APP,方便照明设计工程师和相关研究人员的使用。因此,该方法可以在无日光照明的情况下,保证高质量的照明。（2）用于预测室内日光强度的光照传感器布局研究。针对目前光照传感器的布局方式计算量大、能耗高,易受人为因素的影响,难以准确地预测室内日光强度等问题,提出了一种基于LOFCM和人工神经网络的光照传感器布局方法。在该方法中,利用提出的LOFCM算法处理工作面光照传感器,得到工作面光照传感器布局。在提出的LOFCM算法中,利用线性优化稀疏权重矩阵后,使用模糊C均值筛选数据。随后,使用ANN分别训练工作面光照传感器测量值与四组辅助光照传感器测量值之间的非线性数学模型。仿真实验结果表明,所提的LOFCM算法在保证计算工作面平均照度和均匀度准确的情况下,减少了79.17%的最大数量的工作面光照传感器。此外,在四组辅助光照传感器布局中最低的预测误差平均值为4.01lx。因此,该方法可以为室内智能照明系统提供高效、节能的光照传感器布局。（3）灯光亮度自适应调节算法研究。针对能源紧缺和高质量照明需求的问题,提出了两种结合日光的灯光亮度自适应调节算法。一种是通过模糊PID算法控制灯具的调光水平;另一种是使用优化方法,以最小化能源消耗为目标,同时以平均照度和均匀度为约束条件建立约束数学模型。两种方法均考虑了室内光源布局、日光分布和光照传感器布局因素。将该两种方法与人工神经网络方法进行了对比,结果显示,模糊PID方法可以较好的节约能源,但是照明质量要差于另外两个方法;优化方法在能源消耗和照明质量上均胜于人工神经网络方法。