提升数据处理能力是实现光纤电流传感器（FOCS）在微弱电流检测领域中应用的重要支撑。针对独立成分分析（ICA）算法对信源数量的要求和变分模态分解（VMD）对冲击噪声处理能力不足的问题，采用优化参数的变分模态分解与独立成分分析联合算法（OVMD-ICA算法），提升微弱电流检测能力。首先，在分析全光纤电流传感器输出信号的特征和噪声特性的基础上，以能量谱熵为目标函数，采用捕食者算法（HPO算法）获取模态参数K和二次惩罚因子α，完成变分模态分解。然后，通过设置相关系数阈值，对各模态函数分类并构建虚拟通道，以满足ICA对信源数量的要求，并采用FastICA算法实现盲源分离。最后，通过对比实验确定了该方法的有效性，发现采用所提方法能够实现3 mA微弱电流的识别检测。

高阶色散导致光信号在光纤的传播过程中常常会发生非线性失真的现象, 并导致接收信号的误码率升高。为了解决该问题,提出了基于深度神经网络的光信号预测技术。该技术首先总结了光纤通信系统的信号传播模型,然后确定了深度神经网络输入层与输出层的参数, 最后在训练阶段通过海洋捕食者算法搜索神经网络隐藏层的参数。实验结果表明,深度神经网络模型能够准确地预测接收光信号的正确波形, 为光纤的色散补偿提供基础。

当光纤布喇格光栅(FBG)复用过多或带宽有限时会存在波长串扰问题，信号解调方法的性能会影响结果的精确性。提出一种基于元启发算法的中心波长解调方法，采用实际光谱与理论光谱差异的最小二乘函数作为优化目标，利用具有优异挖掘能力和探索能力的海洋捕食者算法进行求解。数值仿真结果和实验验证表明：所提算法是一种有效的、可行的波长解调方法，在实现对多光谱重叠识别的同时又可以保证解调精度。