自适应光学(AO)成像系统受残余大气湍流、闭环跟踪误差和光电探测噪声等因素的影响, 成像结果参差不齐, 不利于后期图像筛选和事后处理, 故需要对图像质量进行评价。传统图像质量评价方法对自适应光学图像质量的评价不可靠, 甚至会出现评价结果与实际背离的情况。针对上述问题, 根据自适应光学系统的成像过程, 生成具有图像质量标签的自适应光学退化图像数据集, 在此基础上采用以ResNet作为主干的深度神经网络, 训练得到了用于评价自适应光学图像质量的神经网络模型, 在测试集上的Spearman相关系数(SROCC)最佳为0.994。实验结果表明, 该方法综合考虑了自适应光学图像成像过程中的多种退化因素, 通过训练深度神经网络得到无参考自适应光学图像质量评价模型, 评价精度优于其他传统图像质量评价算法。

针对Miguel等人提出的质量图引导相位解包裹算法中串行运算效率较低的缺点，构造了一种多个低可靠度区块并行合并的改进算法。在满足原始算法设计思想的前提下，对解包裹路径进行重新定义，并根据原始算法的解包裹路径非连续的特性，构建了一种低可靠度区块乱序合并的策略，使得多个低可靠度区块的合并任务可以同时进行。改进算法采用多线程软件架构，主线程负责循环遍历未处理的区块，子线程接收待处理的区块执行合并任务。实验结果表明，改进方法与原始算法的处理结果完全一致，而并行改进策略可有效利用计算机多核资源，使得相位解包裹算法的运行效率提高了50%以上。

自适应光学系统涉及到光学、电控等多个领域，因此分析和提高自适应光学电控系统的可靠性是非常必要的。引入基于故障树的分析方法，对自适应光学电控系统中影响成像的关键模块，例如波前探测单元、波前处理单元，建立了系统的故障树模型，并对其定性分析得到了系统的最小割集，定量分析得到了系统的故障概率以及底事件概率的重要度排序。根据分析结果，可以有效地提高系统的稳定性，优化系统设计。