面向数字图像识别，使用光学器件构建基于快速傅里叶变换（FFT）的光学神经网络（ONN），其中的线性光学处理单元由马赫-曾德尔干涉仪（MZI）实现。这些MZI以网格状布局连接，对通过的光信号进行调制，实现乘法和加法，从而实现对图像的分类识别。针对该ONN对手写数字图像进行识别出现的问题，研究训练算法中的主要超参数即动量系数和学习率对网络性能的影响。首先比较不同学习率下随机梯度下降（SGD）、均方根传递（RMSprop）、适应性矩估计（Adam）和自适应梯度（Adagrad）4种训练算法结合不同非线性函数和不同隐藏层个数后，ONN在识别手写数字图像上的表现。实验结果显示：在学习率从0.5变化到5×10^-5、RMSprop训练算法下，具有2个隐藏层、非线性函数为Softplus的FFT型ONN具有最高的识别精确度，达97.4%。此外，着重分析在具有不同动量系数的SGD算法结合不同非线性函数和不同隐藏层个数时ONN对手写数字图像识别的准确率、运行内存和训练时间的影响。进一步，在学习率为0.05和0.005时，比较了SGD、RMSprop训练算法以及各自在引入动量后的网络识别性能。实验结果显示：动量系数为0时，采用SGD算法训练的具有2个隐藏层、非线性函数为Softplus的ONN的识别精度为96%，动量系数为0.9时，ONN的识别精度提高到96.9%；而加入动量的RMSprop算法会导致网络识别准确率不收敛或收敛较慢。

对区域的边界和物体边缘像素使用聚焦操作来计算区域显著特征,采用全局颜色显著性计算全局显著特征,基于卷积神经网络(CNN)融合区域显著特征和全局显著特征,获得最终的显著图,同时采用循环结构网络,多次参考周围环境信息,剔除噪声特点。在MSRA图像库和ECSSD图像库中测试所提算法,其平均精度和平均召回的调和平均值、平均误差均优于当前流行算法。

分析了照明系统中微透镜阵列的入射光线角度及系统像差对光学利用率的影响，提出了通过修正相关参数来优化照明系统的光学利用率以及照明均匀性的方法。通过改变用于光源聚光的自由曲面透镜的面型来缩小入射角度，从而减小了由于大角度扩散造成的效率损失。并且在微透镜阵列后采用两个球面透镜代替傅里叶透镜作为积分镜片，不仅成本低廉，而且在控制像差方面更为灵活。参数优化后，设计方案的光学利用率可达60.51%，均匀性可达94.24%，验证了理论分析的可行性和有效性。

直角全反射式(TIR)棱镜比传统TIR棱镜加工难度低，结构上体积减小50%，重量减小42%，从而降低成本。为了使结构便于加工，应用光学理论对直角TIR棱镜进行优化设计。最后运用光学软件对设计进行模拟，实验结果表明，系统效率从53%降低到48.3%，均匀性从68%上升到91%，证明了设计的直角TIR棱镜的合理性与可行性。

设计出了一款应用于时序彩色法硅覆液晶微型投影机的大功率、高亮度LED驱动电源。由于采用的大功率LED芯片内部单元为并联连接，故驱动电流达10 A。为了满足此要求，文章结合直流变直流(DC/DC)电源设计思路，设计出了可用脉宽调制信号调控的恒流源。实验结果显示：该恒流源能够精确地输出10 A恒定电流，而且纹波小，开关迅速、彻底，完全符合CS-LCoS 微型投影机中LED光源对驱动电源的要求。