近年来,随着计算处理能力的提升、算法的突破和大数据的发展,神经网络迅猛发展,并广泛应用于各个行业。其中,储备池计算（Reservoir Computing,RC）作为一种受启发于生物神经网络的新兴神经网络。与传统的神经网络相比,RC的结构简单,而且极大程度地简化了训练方式。RC也克服了传统神经网络中算法收敛速度慢、易陷入局部最优以及训练参数过多等普遍存在的问题。此外,在光学领域中,RC可以利用现有的光学器件和系统装置实现硬件化以进行高速实时处理。因此,RC成为了光学领域中的研究热点之一,并且得到了成功的应用。目前,关于RC的研究大部分集中在单环光电RC结构上,然而面对较为复杂的时间序列预测、语音识别和非线性信道均衡问题时,它们在一定程度上不足以满足现实需求。因此,需要对单环光电RC结构进行进一步优化。本论文提出了一种基于半导体激光器的双环双节点新型光电储备池计算系统,来进一步提升RC在时间序列预测、语音识别和非线性信道均衡上的性能。首先,本文对传统储备池和单双环光电储备池结构的理论模型进行仿真。针对10阶的非线性自回归滑动平均模型预测（Nonlinear Auto Regressive Moving Average model of order 10,NARMA-10）任务,本文详细分析了新型双环光电储备池计算系统的系统参数对其预测性能的影响,并将所得的结果作为优化该系统的参考。研究表明,当反馈强度在[0.25,0.8]范围内时,该系统的预测性能表现良好,其中在约为0.4时,该系统的预测性能最佳;当短反馈环和长反馈环之间的时间间隔差在0.5ns、0.7ns和1ns时,该系统的归一化均方根误差（Normalized Root Mean Square Error,NMSE）均在10%以下;仅需在[（?）]范围内粗略调节两个调制器的偏置相位,该系统就能获得较好的预测性能。本论文将三种储备池系统应用于NARMA-10、孤立的语音数字识别和非线性信道均衡任务中来进行性能对比。结果表明,本论文所提出的双环方案在预测、语音识别和非线性信道均衡方面均更胜一筹。在NARMA-10任务中,新型储备池系统的预测结果NMSE最低达到10%以下,其他储备池结构的预测结果NMSE约为15%;在语音数字识别任务中,新型储备池系统实现了零误差识别语音数字,而其他储备池结构未能实现;在非线性信道均衡任务中,在较高的信噪比情况下,新型储备池系统的符号错误率达到了几乎为0,明显优于其他储备池结构。因此,论文中提出的方案有效提升了储备池各方面的性能,为相关RC的研究提供了一定的参考意义。