提出了一种渐进式训练方案来重新配置马赫-曾德尔干涉仪（MZI）前馈光学神经网络（ONN）的相移，从而对抗MZI的相位误差和分束器误差，提高识别准确率。为了验证所提方案，利用Neuroptica Python仿真平台搭建了3层MZI-ONN结构，并在考虑到MZI相位误差和分束器误差的情况下，利用Iris和MNIST数据集验证了所提方案的有效性。仿真结果表明：在Iris数据集下，对于3层4×4 MZI-ONN结构，所提方案的识别准确率能够提升64.15百分点；在MNIST数据集下，对于4×4、6×6、8×8和16×16规模的MZI-ONN，所提方案的识别准确率能够提升2.00~37.00百分点。所提方案极大地提高了MZI-ONN的抗误差性能，有助于未来大规模、高准确率MZI-ONN的实现。

光学神经网络是区别于冯·诺依曼计算架构的一种高性能新型计算范式，具有低延时、低功耗、大带宽以及并行信号处理等优势。片上集成是光学神经网络微型化发展的一种典型方式，近年来片上集成光学神经网络获得了学术界及工业界的广泛关注。对基于不同计算单元结构的片上集成光学神经网络的相关研究工作进行了梳理，并分析了其设计原理、实现方法及系统架构特征。同时结合国内外最新研究进展，进一步分析了片上集成光学神经网络在计算单元大规模拓展、可重构、非线性运算和实用化等方面面临的挑战及其未来发展趋势。

为提高光度立体视觉技术处理各向同性非朗伯反射的能力，提出一种基于深度学习的逆向反射模型，通过提取与方位角差相关的图像特征，弥补共位光源逆向反射模型的理论不足，实现表面法向量高精度估计。该模型由三阶段子网络组成，分别是方位角差子网络、逆向反射模型子网络与法向量估计子网络，其中：第一阶段子网络与第二阶段子网络共同实现像素值到法向量以及入射光线方向点积的高精度映射；第三阶段子网络充分利用前两个子网络提取的特征，实现表面法向量高精度估计。仿真实验表明，所提方法对100种典型各向同性非朗伯反射均具有较好的处理能力；基于标准数据集的真实实验证明，所提方法能够取得平均5.90°的法向量估计精度，充分证明所提方法的有效性。

利用二阶泰勒形式表示公差与波像差的函数关系，依据差分光线追迹法，通过光线追迹理论推导完善了偏心和倾斜两种公差关于波像差的一阶导数计算公式，利用依次求导和公式移项两种方法建立波像差的二阶导数模型。结果表明：依次求导法的求解过程复杂，应用范围受到限制，只可用于光学后截距分析；公式移项法所需的追迹像质次数少，且拟合效果良好，残差平方和处于10^-7~10^-6量级；所提方法可对光学系统进行有效的经济公差分配。

随着人工智能技术的飞速发展与广泛应用，人们对计算资源的需求日益增长，面对电子摩尔定律所遇到的原理性瓶颈，光子以高传输速度、高并行度等优势成为研究人员心目中的下一代计算机载体之一。近年来的研究工作显示，激光谐振腔内许多有趣的物理现象和复杂的动态演化过程能够被用于各种各样的数据处理与计算任务，极大地拓展了激光器的应用范围。在这篇综述中，笔者对基于激光谐振腔的智能光子计算的研究进展进行了集中的介绍与梳理，主要内容涵盖利用激光腔内的混沌过程辅助光电强化学习、利用光反馈激光器的非线性信号变换构建光电储备池网络，以及利用激光网络向稳定振荡状态的自发演化求解组合优化问题。在介绍相关最新进展之余，笔者分析讨论了智能激光计算系统面临的挑战，并对其未来的发展趋势进行了展望。

针对复杂战场环境要求天波雷达快速精准定位的问题，提出一种基于多策略改进麻雀搜索算法的定位模型。首先，使用立方混沌映射、步长因子动态调整、反向学习和混合变异算子对麻雀搜索算法进行改进，形成改进的麻雀搜索算法；然后，采用改进后的麻雀搜索算法寻找混合核极限学习机（HKELM）最优的核函数参数和混合核的权重系数；最后，使用寻优后的HKELM对天波雷达探测到的目标进行定位。结果表明，改进后的麻雀搜索算法在精度上和稳定性上优于用基本麻雀搜索算法改进的HKELM模型和极限学习机（ELM）定位模型，表明了所提算法的有效性。

由于光传输具备高通量、低延迟、低能耗等优势，光学神经网络有望应对目前人工智能技术发展中所面临的能耗和计算效率的挑战，成为近年来学术界和工业界的研究热点。光学神经网络的目标在于用光子作为物理载体构建人工神经网络算法中的基本计算单元，从而实现高性能的新型计算架构，并将其应用于实际问题的解决。本综述介绍了光学神经网络中关键光子器件的工作原理和特点、系统架构特征与应用场景。在跟踪大量国内外研究进展后，进一步分析了光学神经网在系统实现上所面临的挑战及发展趋势。

受益于光子独特的优势，光计算技术在构建高速、高算力和高能效比的专用计算加速器方面被寄予厚望，目前已经涌现出了许多极具吸引力的方案。特别是对于涉及运算量巨大的二维矩阵-矩阵乘加操作的专用场景，光计算有望在算力和能效比等方面实现超越当前最先进电子计算机几个数量级的性能提升。不同于电子计算通过构建逻辑门实现通用数字计算，主要受深度学习驱动而复兴的光计算更倾向于模拟计算。本文从模拟和数字光计算的角度出发对主流的光计算架构进行分析和讨论，指出了目前光计算技术发展面临的瓶颈，并对光计算未来的发展趋势进行了展望。

传统无监督域自适应行人重识别算法，抑制伪标签噪声效果差、域间泛化能力弱。针对这些问题，提出了一种基于软伪标签和多尺度特征融合的无监督域自适应行人重识别算法。为抑制伪标签噪声，利用并行网络的预测值作为软标签，通过交叉校对方式对伪标签噪声进行纠偏，为无监督域自适应任务提供更鲁棒的软伪标签。为增强域间泛化能力，利用多尺度特征重构和哈达玛积特征融合方法对深浅特征层信息进行处理，实现源域数据到目标域的风格转换，并结合实例和批量归一化网络解决残差网络域自适应性差的问题，增强网络对源域和目标域的泛化能力。实验结果表明，所提算法在Market-to-Duke和Duke-to-Market无监督域自适应任务中都取得了较好的性能，明显优于相关算法。

被称为第三代人工神经网络的脉冲神经网络, 是最接近人脑的神经拟态算法。与传统人工神经网络相比, 脉冲神经网络具有硬件友好性和更高的能量利用率。与电子学脉冲神经网络相比, 光子计算的光脉冲神经网络具有速度快、能耗低、延迟低、并行度高以及抗电磁干扰的优势。介绍了光脉冲神经网络的起源, 从光脉冲神经元、神经网络架构、学习训练算法等方面介绍了光脉冲神经网络的研究进展、存在的问题与挑战, 并展望了光脉冲神经网络的前景。