针对室内可见光定位接收信号强度易出现波动从而产生较大定位误差，以及从一个定位单元迁移到其他定位单元可能会降低定位精度的问题，笔者提出了一种基于注意力机制的卷积神经网络的室内三维定位方法，以减小接收信号波动产生的影响，并采用迁移学习将在第一个定位单元中训练的网络迁移到其他定位单元中，在保证定位精度不变的前提下减少了训练网络的成本。仿真结果表明：所提算法在5 m×5 m×3 m的定位单元内可以实现平均误差为3.54 cm的三维定位；采用迁移学习将已训练网络部署到第二个定位单元中，可以实现平均误差为3.67 cm的定位。实验结果表明：在1.2 m×0.75 m×1.2 m的定位单元实验中，所提算法可以实现平均误差为3.32 cm的三维定位，90%的误差分布在4.12 cm内；采用迁移学习将已训练网络部署到第二个定位单元中，可以实现平均误差为3.35 cm的定位。与现有算法相比，所提算法迁移前后的定位精度均有所改善。

针对室内用户在非均匀分布时选择最高信号强度接入点（AP）导致系统总速率和用户服务质量较低的问题，提出联合AP和功率分配的方法。考虑多个LED作为AP的可见光通信（VLC）网络，根据用户分布设计了一个基于用户信道增益权重回溯（BM）的AP分配算法，使权重较低的用户接入到其他AP，降低资源竞争严重的LED上的用户负载；为了使所有用户均能满足通信需求，提出改进逐维动态正余弦算法（IDDSCA）的转换参数，并引入基于最优解方向的自适应搜索策略。利用IDDSCA动态调整每个AP下行链路的功率分配，同步优化系统总速率和用户服务质量。仿真结果表明，所提BM-IDDSCA方案相较于BM-DDSCA、SLCG-IDDSCA、BM-αPA、MT-PA与SLCG-QTPA方案在总速率方面分别提升2.94%、4.20%、2.03%、62.90%、4.89%。

本文提出了一种基于融合改进策略的快速鲸鱼优化算法（FWOA），用于解决室内可见光通信（VLC）系统中光信号分布不均匀的问题。该算法通过反向学习和非线性收敛因子提升了收敛速度，采取扰动搜索机制实现全局寻优。在考虑发光二极管（LED）部署高度的光源布局和功率分配方面，采取了同步优化方案。实验结果表明，在优化16个LED布局模型后，系统照度均匀度提升了7.39%~109.03%，接收功率的品质因子由5.25提高到12.23，同步优化后进一步提高至15.12。此外，实验发现，当LED数量存在限制时，通过选择合适的LED数量，可以在系统能量和性能之间达到较好的平衡。

针对现有的非对称限幅光正交频分复用（ACO-OFDM）可见光通信（VLC）系统中信道估计方法存在导频数量过大、精度低、估计效率不高的问题，提出一种基于深度神经网络（DNN）的VLC信道估计方法。利用梯度集中化（GC）方法进行模型优化，并采用端到端的方式跟踪信道信息并恢复失真信号。仿真结果表明：所提方法的误码率（BER）和均方误差（MSE）性能均优于传统方法；在使用较少的导频和省略循环前缀（CP）进行信道估计时，所提方法具有更强的鲁棒性。此外，在DNN训练过程中引入GC方法，可以加快网络的收敛速度，提高其优化能力。