针对吸收和散射衰减导致光子在水下运动时具有复杂性的问题，基于追踪的水下单光子运动状态，建立了光子时空随机信道模型。针对不同的水质类型、链路距离、接收孔径、发射角和视场角，统计了接收端到达光子的相关信息，研究了基于水下单光子通信系统的光接收强度和信道脉冲响应的影响因素。同时，综合考虑光子发射情况、水下光子运动过程、探测器特性和同步信号提取方法等，采用了一种基于时隙内光子计数的数据解调方案，并对系统性能进行分析。仿真实验结果表明：发射角和接收孔径是影响时延展宽的主要因素；接收孔径越大，系统误码率（BER）越小；而链路距离和发射角越大，系统BER越大；噪声系数越大，系统BER越大，且建模的理论通信距离约为185 m。实验结果很好地描述了水下光子散射特性和脉冲时延展宽特性。

为了实现有效与可靠的视频传输，针对水下单光子通信系统，提出了一种基于字典学习和LT码级联LDPC码的视频联合编码方案。通过字典学习稀疏编码，极大地压缩了视频数据量。根据水下单光子信道存在的删除特性，利用LT码级联LDPC码的信道级联编码方法，同时克服了LT码译码开销过大的缺点。由于LT码存在译码失败概率的问题，提出了译码成功双反馈机制。实验结果表明，当信道误码率处于10-2数量级、视频压缩率为75.6%时，可以实现平均峰值信噪比(PSNR)为37.4921 dB重建视频帧。

压缩光子计数雷达是光子计数激光雷达技术与单像素成像技术的结合，具有低成本、超高灵敏度等优点，但在进行高分辨率成像时，需要大量的测量和迭代计算进行重建，导致所需成像时间很长。当前的研究热点深度学习压缩重建网络被证明可避免迭代运算实现快速压缩测量重建，但已有文献报道的深度学习压缩重建网络，采用传统的图像处理数据库的无噪声图片或在图片上加高斯噪声进行训练网络，网络应用于实际的压缩光子计数雷达系统，性能有待进一步验证。自主设计了基于FPGA的同步控制测量模块，搭建出压缩光子计数雷达系统，提出了基于蒙特卡洛模拟压缩光子计数雷达系统的方法来制作训练数据，并设计深度学习压缩重建网络DFC-Net进行采样和重建联合优化。实验结果表明：在10%、15%、20%、25%、30%采样率下，DFC-Net重建性能优于现有的重建网络Dr2-Net和传统的压缩重建算法TVAL3。