近年来，在计算物理领域提出了一种具有变革意义的利用神经网络直接求解微分方程的方案——物理信息神经网络(physics-informed neural network, PINN), 引起了广泛关注, 并且已经在多个领域的微分方程相关的问题中都得到了成功的验证。着眼于光纤非线性的建模，针对光纤中：光信号传输时受损耗、色散以及非线性等多种物理效应影响而发生演化；受激拉曼散射引起的功率转移；光模场在多种几何结构光纤中的分布与传输这三个场景展开研究。在数学上，这三个场景的控制方程分别为：非线性薛定谔方程、受激拉曼散射常微分方程以及傍轴亥姆霍兹方程，文中先后呈现了利用PINN求解这三个方程的具体实施方案及结果，并与数值方法进行对比分析，二者结果显示出较高的一致性, 且PINN具备更低的计算复杂度。PINN作为一种精准、高效的微分方程求解框架，在未来有潜力推进光纤非线性建模的发展。

光学元件常用脆性材料作为原材料，脆性材料加工过程中极易引入亚表面缺陷，亚表面缺陷对脆性材料的制造阶段和应用阶段均存在严重的危害。制造方面，亚表面缺陷影响工序的选择与衔接，易产生过加工、欠加工等问题，导致加工效率低下；应用方面，亚表面缺陷影响光学元件的成像质量、稳定性、使用寿命等关键技术参数。为了高效率、高质量地去除亚表面缺陷，全面表征和准确检测光学元件的亚表面缺陷至关重要。文中首先介绍了不同加工方式对应的亚表面缺陷形成机理与亚表面缺陷的表征方法研究现状；其次归纳总结了破坏性与非破坏性的亚表面缺陷检测方法，分别介绍了不同检测方法的原理、适用材料与加工阶段、优点与不足之处；并介绍了基于表面粗糙度、加工参数的亚表面缺陷预测方法；最后，对亚表面缺陷检测技术的发展趋势进行了展望。

为了实现大口径凸非球面的高精度检测，提出了将子孔径拼接检测法和计算全息补偿检测法相结合的检测方法。由于其中心的非球面度较小，采用球面波直接检测；而外圈的非球面度较大，采用子孔径拼接和计算全息混合补偿的方法进行测量，再通过拼接算法将中心检测数据和外圈检测数据进行拼接从而得到全口径面形。结合实例对一块口径为540 mm的大口径凸非球面进行测量，并将检测结果与Luphoscan 检测结果进行对比，两种方法检测面形残差的RMS值为0.019λ，自检验子孔径与拼接结果点对点相减后的RMS值为0.017λ。结果表明该方法能够实现大口径凸非球面的高精度检测。

为了实现离轴光学系统的高精度畸变分析、测量及在轨图像的快速、高精度畸变校正，利用高阶畸变分析方法对离轴光学系统的相对畸变进行了拟合分析。首先，对离轴光学系统的理论畸变进行了分析，提出了等效焦距的概念，并利用高阶畸变分析方法对系统的相对畸变进行了拟合分析；接着，针对装调完成的某离轴光学系统完成了畸变测试及焦距测量；最后，利用实测结果完成了该离轴光学系统的物像对应关系的高精度解算。与ZEMAX光线追迹的结果相比，利用高阶畸变系数计算得到的等效焦距最大偏差为0.366 mm；对于某装调完成的离轴光学系统，实测等效同轴系统焦距的偏差仅为6.378 mm，相对偏差为0.073%。验证了该方法对于离轴光学系统畸变分析、测量及焦距测量具有正确性及精度保证，将为在轨图像的快速、高精度畸变校正提供可靠输入。

产地是影响中药材质量的重要因素, 产地差异导致中药材质量参差不齐, 为维护市场秩序, 有必要建立中药材产地鉴别方法, 以便更加精准地判别和分析中药材品质。 以多产地临床大宗药材丹参为研究对象, 收集不同产地丹参样品150份, 采用显微聚焦拉曼光谱技术在无损条件下对每份丹参样品的每根药材表面随机扫描1~n次, 求每份样品扫描1~n次的平均光谱。 分析原始光谱数据发现丹参表面光谱信号同时包含了丹参酮类成分的拉曼光谱和杂质的荧光光谱, 主要表现在特定波长范围内不同产地丹参存在各自的聚集区和丹参表面光谱信号强度明显弱于或强于丹参酮类对照品的拉曼光谱信号强度。 对扫描1~n次的平均光谱数据进行预处理后运用偏最小二乘判别分析(PLS-DA)和随机森林分类算法[不筛选(RF)或筛选重要变量(RF-VS)]建立扫描1~n次的丹参产地分类模型。 结果随机扫描1次所得最优模型训练集和测试集预测准确率分别为88%和87%, 且对质量差和质量优的丹参样品区分准确率高达97%; 随机扫描2次和3次所得最优模型训练集和测试集预测准确率均分别为89%和87%, 结合模型运行效率和成本, 选择随机扫描1次所得光谱, 经一阶导数(1ST-D)预处理和RF-VS计算所得模型为丹参最终产地鉴别模型。 综上, 在无损伤条件下显微聚焦拉曼光谱技术能建立快速、 准确的丹参产地鉴别预测模型, 为该技术进一步用于贵细中药材的产地和真伪鉴别提供参考。

在简要总结了各种检测大口径反射镜难点的基础上，为了实现30 m望远镜（TMT）超大口径第三反射镜的高精度检测，提出了一种融合五棱镜扫描技术和子孔径拼接测试技术的新方法。大口径反射镜分阶段依次进行了五棱镜扫描测试和子孔径拼接检测，对该技术的基本原理和基础理论进行了分析和研究，制定了检测30 m望远镜第三反射镜（口径为3.5 m×2.5 m）的方案，对其测试流程、五棱镜设计、五棱镜扫描像差拟合、拼接最优化算法等进行了详细分析，并对30 m望远镜第三反射镜的原理镜进行了实验验证，其最终拼接检测面形的均方根值（RMS）和斜率均方根值（slopeRMS）分别为28.676 nm和0.97 μrad。

利用云端-互联便携式近红外技术结合化学计量学对名贵药材西红花与其常见伪品(红花、 玉米须、 莲须、 菊花、 纸浆)和掺伪品进行现场快速真伪鉴别及掺伪量的定量预测。 用移动手机控制的PV500R-I便携式近红外仪采集西红花与其伪品和掺伪品光谱数据。 对原始光谱数据进行一阶导, 二阶导, 三阶导, 标准正态变量转换和光散射校正前处理。 采用偏最小二乘判别分析分步建立西红花与其伪品、 西红花与其掺伪品鉴别模型。 结果表明, 一个最优模型可将西红花与其五类伪品彼此完全区分; 两个最优模型分步区分西红花与其五类掺伪品, 外部预测准确率最低为93%, 西红花掺入红花、 玉米须、 莲须、 菊花和纸浆的识别水平分别为0.5%, 0.5%, 4.0%, 0.5%和0.5%。 采用偏最小二乘回归对五类西红花掺伪品的掺伪量建立定量预测模型, 五个最优模型的外部预测相关系数范围为0.920~0.999, RMSEP范围为0.005~0.044, 当西红花掺入红花、 菊花、 莲须、 纸浆和玉米须的掺伪量大于8%时, 其外部预测相对误差分别低于8%, 8%, 3%, 10%和5%, 表明最终模型能较好地预测西红花掺伪品的掺伪量。 基于云端-互联便携式近红外光谱技术所建立的西红花真伪鉴别方法和掺伪品掺伪量预测方法快速准确, 经济环保, 能满足西红花现场快速无损伤真伪鉴别要求。

We implemented a stitching swing arm profilometer (SSAP) test for the inner and outer regions of a large aspheric surface with a short arm. The SSAP was more capable of improving sampling density of surface and was less sensitive to system error, like vibration noise and air-table noise. Firstly, a calculation model was built to evaluate the sampling density of the SSAP test. Then, sensitivity to system noise was tested when different lengths of arm were used. At the end, an experiment on a 3 m diameter aspheric mirror was implemented, where test efficiency was promoted, and high sampling density was achieved.