Mode splitters that directly separate modes without changing their orders are highly promising to improve the flexibility of the mode-division multiplexing systems. In this paper, we design a high-performance mode splitter on the silicon-on-insulator platform with a compact footprint of 14 µm× 2.5 µm using an inverse design method based on shape optimization. The fabrication of this mode splitter requires only a single lithography step and exhibits good fabrication tolerances. The experimental results show that the proposed device exhibits state-of-the-art insertion loss (<0.9 dB) and cross talk (<-16 dB) over a broad bandwidth (1500–1600 nm). Furthermore, the shape optimization method used is implemented to design a dual-mode (de)multiplexer, and the experimental results fulfill the design objective, demonstrating the excellent generality of the design method in this paper.

目前，移动测站以其高机动性正逐步成为空间目标监测网络重要的系统组成，应用于空间目标的共视观测与精密跟踪。针对移动测站光电望远镜由于工况的不稳定性以及装调过程中存在的指向误差，文中提出了一种基于星图匹配脱靶量标定的指向误差修正方法。首先，根据编码器轴系定位筛选出定标星群并进行资料归算；其次，采用面向脱靶量标定的快速星图匹配算法识别出与测量恒星相匹配的定标星坐标，并作为理论位置；最后，将多颗测量恒星坐标带入脱靶量标定指向修正数学模型对望远镜的指向进行拟合与标定。实验结果证明：采集一组序列图像对光心指向进行修正，单帧图像的修正周期约为2.2 s，从第10帧后修正量基本趋于稳定。对全天区典型分布的一批子天区进行指向修正，指向误差均值由修正前的124.24″提高至4.97″，标准差从41.50″提高至4.76″。综上所述，基于星图匹配脱靶量标定的指向误差修正方法对于提高测站望远镜的指向精度效果显著，且该方法的修正过程与望远镜机架结构无关，因此也可适用于不同机架结构的望远镜指向修正。

基于科学级CCD相机的多色光度测量技术凭借着实用性强、简单有效等特点在天文观测中受到了广泛应用。针对传统多色测光技术缺乏同时性这一问题，本文介绍了一种新型的同时性三通道测光系统，采用分色的设计方式实现了Sloan Digital Sky Survey （SDSS）测光标准g′，r′和i′三个波段分光。首先，利用Zemax软件对三通道光度计的光学系统进行了仿真分析，仿真结果显示该系统符合总体设计指标且能够满足使用要求。然后，为验证该系统的光学性能，我们针对大量SDSS标准星开展观测，实测结果表明该设备在g′，r′和i′三个通道的视场分别为21.5′×21.5′，21.5′×21.5′和21.3′×21.3′，系统效率分别为65.6%，68.3%和63.7%，将曝光时间归算为1 s、信噪比为5时，计算得出的极限探测星等分别为15.26，16.39和15.63。接下来可通过对系统的优化，进一步提高其极限星等的探测能力。

空间目标的精密定轨需要高精度的天文定位技术，而星图匹配是天文定位的基础。本文针对精密跟踪型望远镜提出一种快速星图匹配算法，它包含优化三角形匹配和序列图像修正两部分。论文主要叙述了该算法原理、流程与实现，并对其速度与精度等方面进行了研究。首先，利用编码器轴系定位划取指向天区的星表数据，经筛选和归算列为导航星表。接着，应用降维查表的方法加速三角形匹配并通过理想坐标底片常数之间的关系校验得出首帧匹配结果。然后，修正算法结合后续各帧中望远镜指向的变化量计算导航星的理想坐标，并应用上一帧的底片常数，匹配观测星和导航星。最后，对底片常数计算得出的导航星和目标定位结果进行统计对比。经实验，计算39组星对时采用快速三角形匹配可以将时间缩短至近1/300；对后续图像（每帧含大约100组匹配星对）使用序列图像修正算法，均可以在0.04 s以内完成匹配；采用快速星图匹配算法获取的匹配星对用于对中高轨激光星定位，其平均误差在0.5″左右。由此可见，快速星图匹配算法充分满足精密跟踪型望远镜天文定位精度高、速度快的要求。

随着近年来光谱探测仪器灵敏度、 精确度和易用度的不断提升, 光谱技术已经深入到各行各业的物质成分的鉴定与分析中。 对于空间目标的光谱观测是传统光学观测的重要拓展之一, 因其具有的非接触、 无损伤等优点而备受关注, 然而由于观测条件所限, 空间目标的光谱数据量极小, 通过传统方法对其进行分类分析达不到较好效果, 必须探求提高分类精度的方法。 首先, 通过1.2 m空间目标光学望远镜上搭载的光谱相机终端获取空间目标高光谱图像; 再通过天文学测光IRAF方法, 提取空间目标的一维光谱数据; 为对空间目标光谱进行分类, 提出一种结合多种深度学习方法解决小样本数据量的空间目标分类问题。 该方法应用密度聚类方法将空间目标粗糙分类, 一维生成对抗网络方法增加空间目标数据, 一维卷积神经网络方法将空间目标精细分类, 三者组合进而达到较好的实验效果, 整体精度约为79.1%(基于密度聚类、 过采样、 一维卷积神经网络方法组合、 基于K-means、 一维生成对抗网络、 一维卷积神经网络方法组合和基于K-means、 过采样、 一维卷积神经网络方法组合的整体精度分别约为78.4%, 77.9%和77.2%)。 粗糙分类模型中, 密度聚类方法比K-means方法整体精度平均高出约为0.67%; 数据增广模型中, 一维生成对抗网络方法比过采样方法整体精度平均高出约为1.52%; 精细分类模型中, 一维卷积神经网络方法二层网络比三层网络整体精度平均仅高出约为0.003%, 但是运算时间更长。 四种组合方法精度均高于单一方法。 实验结果表明本文提出的组合方法在小样本空间目标类别未知情况下, 可实现细分类且精度较高, 为实现空间目标极小数据量下的图谱一体化分析, 提供一定参考价值。