La identificación y monitoreo precisos de las propiedades de los aerosoles es crucial para entender sus fuentes e impactos en la salud humana y el medio ambiente. Por lo tanto, proponemos un método de extracción de características y reconocimiento de atributos a partir de mediciones de dispersión de luz in situ basado en Optimización Bayesiana, transformada de dispersión por wavelet y red neuronal de memoria a largo y corto plazo (BO-WST-LSTM), con descomposición de modo empírico (EMD) y análisis de componentes independientes (ICA) para el preprocesamiento de señales. En este estudio, se utilizó una plataforma experimental para recopilar señales de dispersión de luz de partículas con características variables. Las señales se procesan utilizando la técnica de reducción de ruido EMD-ICA. Luego, se utiliza la red de dispersión por wavelet para realizar la extracción adaptativa de las características de la señal de dispersión de luz de las partículas, y se utiliza el modelo de Optimización Bayesiana para optimizar los hiperparámetros de la red neuronal LSTM. La matriz de coeficientes de dispersión extraída se introduce en la LSTM para el entrenamiento iterativo. Finalmente, se aplica el método de clasificación de probabilidad de la capa SoftMax a la identificación de atributos de partículas. Los resultados muestran que el sistema de detección de señales de dispersión de luz de partículas de múltiples ángulos diseñado y construido en este estudio funciona bien y es capaz de recopilar efectivamente señales de dispersión de luz de partículas. Al mismo tiempo, el nuevo método propuesto para el reconocimiento de propiedades de partículas demuestra un buen rendimiento de clasificación para seis tipos diferentes de partículas con un tamaño de partícula de 2 m, logrando una precisión de clasificación del 98.83%. Esto prueba su efectividad en el reconocimiento de propiedades de partículas y proporciona una base sólida para la identificación de partículas.