在传输容量与日俱增的信息化时代,光纤通信技术蓬勃发展,光通信系统也经历了天翻地覆的革新。随着复杂光调制、动态光传输等技术的发展,对超高速、大容量、长距离的新型光传输系统进行仿真模拟具有重要的研究价值,可以有效、灵活地模拟实际光传输过程,有助于科研人员和运维人员进行传输预演、数值计算和理论分析。通常一个完整的系统仿真,可以收集到一个信号从发送端到接受端不同阶段的数据信息,可以更好地了解到信号在经过不同模块后发生的变化。虽然仿真系统中的技术相当成熟,传统的基于数学物理方法的建模思路往往严格依赖于专家经验,且仅对系统参数完备的静态理想场景有效,且各个模块都是单独设计的,通常具有不同的假设和目标,因此通过不同的模块来搭建系统,也难以确定系统的全局最优性。此外,在设计中往往还嵌入了一个假定的数学模型来表示信道。假设的模型可能无法正确反映时变动态的实际光传输过程,从而影响系统性能。本文分别基于强度调制/直接检测和相干光通信技术,针对不同调制格式的光通信系统,围绕光纤信道的建模问题,提出了基于深度学习双向长短期记忆（BiLSTM）神经网络的数字化建模方法,该方案大大减小了对专家经验和数理知识的依赖,可以准确、灵活地模拟信道。论文的主要创新点如下:第一,对于低成本、短距离的OOK系统,在时域幅度和相位,频域光谱和眼图上,在不同的传输距离、发射光功率、色散系数、上采样率等系统配置下,基于深度学习神经网络的光纤信道模型有良好的性能。归一化均方误差均小于0.002。第二,对于长距离且信道模型更为复杂的PM-QPSK系统,从波形和星座图上分析,神经网络成功地拟合了偏振光信号的幅度和相位特性。决定系数大于0.98,余弦相似度高达0.99。