理论分析了光纤干涉型光学相控阵扫描角度与扫描控制电压的关系, 提出了扫描角度与电压关系的实验方法, 即按照场点定点的光强间接测定一定扫描控制电压对应的扫描角度; 采用M-Z型干涉光路来模拟2光路的光纤干涉型相控阵进行模拟实验, 通过改变相位调制器上的控制电压, 对场点定点接收到的光强大小进行测试, 反演出光纤干涉型相控阵实际的扫描角度。实验结果表明: 扫描控制电压在相位调制的半波电压范围内, 扫描控制电压要比集成波导阵列的控制电压小得多,扫描角度为0~6.2 mrad, 在此范围内, 扫描角度的实验值与理论值较好吻合。该模拟实验研究可以为光纤干涉型光学相控阵的远场扫描特性的进一步研究提供参考。

针对光电检测系统中采用电位计于实验现场手动调节光电倍增管(Photomultiplier Tube, PMT)模块增益时存在的操作不便、误差较大等问题, 设计了一种PMT模块增益调节的控制系统。该系统硬件电路包括FPGA、DA模块以及串口通讯模块; 上位机软件包括串口参数设置模块、控制电压调节模块、电压校验模块, 可以实现数据的发送、存储、与硬件电路通讯等功能。实验结果表明, 该系统可实现PMT模块增益的远程调节, 操作便利、稳定性好、可复用性较强, 具有很好的实用价值。

为保证大口径空间相机的在轨成像质量,需要采用像差主动调整技术。针对采用出瞳变形镜校正技术的大口径空间相机,分析其在轨误差源,通过Zernike多项式拟合在轨波前像差,根据给定的在轨工况条件,采用直接斜率法进行了波前像差重建,建立了复原波前与出瞳变形镜的响应特性的对应关系,计算出控制电压值并用于波前校正。仿真结果表明,采用出瞳变形镜技术可以有效校正大口径空间相机的在轨波前像差,校正后面形残差RMS值小于1/50波长,为大口径空间相机在轨波前像差主动调整技术提供了工程应用参考。

采用光电倍增管模块和电流放大器搭建了光电检测系统。详细推理了光电倍增管模块的控制电压和内部增益的关系、光电倍增管模块的信噪比以及电流放大器的信噪比。在总的光子-电压增益(3×109)和频率带宽(200 kHz)固定的前提下,对光电倍增管模块的控制电压(内部增益)和电流放大器的增益进行了多组配比和噪声测试。测试数据表明,当控制电压为0.42 V,前置放大器增益为105 V/A,电压放大器增益为4 V/V时,系统的输出噪声最小。

直接斜率法直接将波前传感器的测量量与变形镜的响应特性建立起对应关系，通过算法直接计算出控制电压信号。用 64个子孔径的哈特曼波前传感器对畸变波前进行仿真探测，按照变形镜面形为影响函数加权叠加的假设，可以求解出加在各个驱动器上的电压值，进而可以对仿真的 32单元变形镜进行控制，校正波前。仿真的结果显示，直接斜率法可以有效校正畸变波前。

基于内置电光晶体的Mach-Zehnder干涉仪，利用Mach-Zehnder干涉仪双光束干涉原理和晶体的线性电光效应，提出了一种新的能有效提高啁啾脉冲信噪比的扫描滤波方法。定量分析了其扫描滤波谱特性，探讨了预脉冲噪声延时对信噪比提升效果的影响，并讨论了电光晶体的电压控制参数对信噪比提升效果的影响。研究结果表明：预脉冲噪声的延时和控制电压的变化会对滤波效果产生较大影响，利用该扫描滤波方法可将啁啾脉冲激光信噪比提升约2个量级，且信号光透过率高达95%以上。

分析和介绍了自适应光学闭环系统中一种实用的实时多路自适应控制算法。该多路自适应控制算法综合考虑了大气湍流扰动以及自适应光学系统时间延迟对系统控制效果的影响，其各个控制回路的控制参数能根据外界扰动的变化进行实时的迭代调整，从而使系统始终工作在最优控制状态。利用61单元自适应光学系统上模拟的大气湍流扰动信号，实现了对变形镜各路控制电压进行闭环优化控制的多路自适应控制算法，并对该算法的收敛性、控制效果、控制带宽进行了仿真研究和分析。仿真结果表明，同经典比例积分控制算法相比，多路自适应控制算法具有更强的自适应性，可以更有效地减少外界扰动对自适应光学系统校正效果的影响，提高自适应光学系统的闭环控制带宽，改善控制特性。

介绍了校正大气湍流畸变波前像差的自适应光学系统中，基于预测控制技术对变形镜控制电压进行预测以减少自适应光学系统中时间延迟误差的方法。对受横向风影响的大气湍流畸变波前斜率数据，利用数值仿真方法，研究了基于递推最小二乘（RLS）算法的线性预测控制算法对自适应光学系统变形镜控制电压进行超前预测的方法，并与采用比例积分(PI)控制算法时的最好校正效果进行了比较。对比结果表明，采用预测控制的方法比经典PI控制的方法能更有效地降低系统由伺服延迟引起的误差。

介绍了在校正大气湍流畸变波前像差的自适应光学系统中,基于神经网络技术对变形镜控制电压进行预测以减少自适应光学系统中时间延迟误差的方法。对受横向风影响的大气湍流畸变波前数据,利用数值仿真方法,研究了基于二阶学习算法的二层反向传播(BP)神经网络对自适应光学系统变形镜控制电压进行超前预测的方法,讨论了回溯帧数及学习速率对预测效果的影响,并与采用最小递归二乘(RLS)算法预测时的效果进行了比较。对比结果表明,基于二阶学习算法的二层BP神经网络预测方法比基于RLS算法的预测方法能更有效地降低系统由伺服延迟引起的误差。