如今信息化的时代,移动互联网、大数据以及视频直播等领域迅速发展,人们对高信息传输速率的需求不断攀升,光纤通信系统向着高传输速率、高信道容量以及长传输距离的趋势不断发展。相干光纤通信系统具有接收灵敏度高的特性,能支持使用高频谱效率的高阶调制格式以及数字信号处理技术,因此在高速率、长距离的光纤传输中得到了广泛使用。相干光纤通信系统中,接收端经过相干接收后首先要对色散进行均衡,而大多数色散均衡算法都是基于色散监测之上,并且色散会影响非线性监测,所以在下一代动态可重构的光网络中,进行快速、低成本的色散监测具有重要的意义。色散等线性损伤可以由数字信号处理技术补偿,非线性噪声成为了影响系统性能的主要因素之一。由于非线性噪声和放大器自发辐射(ASE)噪声互相混叠,所以监测光信噪比(OSNR)和非线性噪声在光传输系统中十分重要。色散、OSNR以及非线性噪声等光性能指标的变化能够反映在信号的变化上,例如频域或时域信号等。而深度学习具有较强的特征提取能力,能从这些类型的数据中捕获相关的特征信息。所以本文以深度学习作为关键技术,对色散、OSNR以及非线性噪声这三个光性能指标监测进行研究。研究内容及结果如下:1.针对传统色散监测算法的局限性,提出了一种基于深度神经网络在超低采样率下的色散监测算法,能够降低接收端对模数转换器(ADC)高采样率的要求。为了验证基于深度神经网络在超低采样率下色散监测算法的可行性,搭建了 28 GBaud 5通道光纤通信传输仿真系统。结果表明,QPSK和16QAM两种调制格式下监测得到的色散最大平均绝对误差分别小于35 ps/nm和75 ps/nm。同样也证明了监测结果不受偏振态的影响,并且对ASE噪声和非线性噪声具有鲁棒性。此外,搭建了 20 GBaud QPSK光纤传输系统的实验平台,证明了该方法在实际光纤通信系统中的可行性。2.针对高非线性条件下非线性噪声和OSNR的监测,提出了一种基于深度神经网络的OSNR和非线性噪声功率联合监测算法。该方法用深度神经网络同时对OSNR和非线性噪声功率进行监测,能够学习两种噪声对频谱的影响,在训练过程中仅需训练一个深度神经网络,能够有效降低神经网络的参数。通过28 GBaud 5通道光纤通信传输系统的仿真证明了该方法的可行性。OSNR监测结果表明,当光纤链路中的OSNR从12 dB到30 dB变化时,QPSK和16QAM的OSNR监测平均绝对误差最大值不超过0.5 dB。非线性噪声功率监测结果表明,QPSK和16QAM的非线性噪声功率的平均绝对误差最大值不超过1 dB。同时,证明了基于深度神经网络的OSNR和非线性噪声功率联合监测算法监测非线性噪声功率时对ASE噪声的鲁棒性。综上所述,本文基于深度学习对色散监测以及OSNR与非线性噪声的联合监测进行了研究。在超低采样率下提出了基于深度神经网络的色散监测算法,能够有效降低接收成本。并提出了基于深度神经网络的OSNR和非线性噪声功率联合监测算法,降低了神经网络参数的冗余。本论文的成果对相干光纤通信中的光性能监测具有重要意义。