进入21世纪以来,人工智能技术得到了极大地发展,深度学习算法作为人工智能的核心驱动力发挥了至关重要的作用。随着深度学习算法的不断更新迭代,对硬件计算能力和带宽的需求也日益增加,出现了特殊的硬件设备对深度学习算法进行加速,在提高计算能力的同时降低硬件设备的能耗。但是随着近年来芯片的工艺尺寸逐渐趋于物理极限,摩尔定律逐渐失效,传统的电子集成技术难以满足未来海量数据运算能力的需要。光信号作为传输信号的介质,具有并行度高、低功耗、低延迟等诸多特性,在当今信息时代的地位举足轻重。将光代替电进行计算和数据处理,研究和构建光计算系统成为解决电子技术瓶颈的重要途径。本文对目前先进的光学计算模型进行了对比和分析,依托基于硅基光子计算芯片的光电混合计算系统,探究和分析其实现的原理和计算模式,设计了面向硅基光子计算芯片的神经网络算法,主要的研究工作如下:1.设计了与光子计算芯片结构匹配的卷积层算法,并对芯片的光电接口速率不匹配的问题提出了卷积优化算法,同时在此基础上利用将全连接层通过矩阵维度变换的算法转变为卷积运算,在运算规模有限的光子计算芯片上可以进行卷积运算和任意维度的全连接层运算。2.设计了支持平均池化和最大池化的电域池化层算法,使卷积神经网络算法中的池化运算和激活函数等非线性计算能够由光电混合计算系统中的FPGA(Field Programmable Gate Array)芯片实现,解决了光子计算芯片计算模式单一,无法承担卷积神经网络中非线性计算的问题。3.设计了基于FPGA平台的算法仿真系统对面向光子计算芯片的神经网络算法进行测试和评估。仿真实验中使用了ZYNQ开发板移植卷积神经网络结构的推理过程,通过高层次综合工具将所设计的算法生成基于Verilog的IP核,实现对手写数字的识别。结果表明面向光子计算芯片的神经网络算法在检测速率上优于常规的卷积神经网络算法,同时说明使用光子计算芯片实现卷积神经网络算法的推理过程具有较高的实用性和灵活性。