研究了富勒烯对六官能团脂肪族聚氨酯丙烯酸酯/环氧树脂(RJ423/ EPIKOTE 828)体系光致聚合物的全息性能的影响，分析了富勒烯(C₆₀)材料以及曝光光强对光致聚合物衍射效率的影响。通过吸收光谱结合X射线衍射图谱分析，掺杂的富勒烯既没有和聚合物中的其他成分发生化学反应，也不影响材料本身的结构和结晶性能。实验结果表明，富勒烯掺杂提高了单体聚合反应的速率，并且参与活性单体分子之间的扩散。在光强20 mW/cm²、时间40～50 s、厚度200 μm时，光致聚合物的衍射效率提升到86%，感光灵敏度达到1.32 cm²/J，收缩率降低了约80%。由于C₆₀促进聚合，抑制体积收缩，从而增强全息存储的稳定性，经过全息图像存储实验对比，证明该光致聚合物掺杂富勒烯之后具有优秀的全息存储性能，同时也表明富勒烯掺杂的光致聚合物在全息储存领域具有较大的应用前景。

超透镜是基于超表面对光场调控的成像器件，由于其具有体积小型化、工艺流程化的优势，在器件轻量化、便携性方面具有很好的应用前景。针对当前市场对透镜的体积需求，使用时域有限差分法模拟了一种新型结构的超透镜，它是基于光子晶体的平板超透镜，尺寸为长2 μm，宽1 μm，工作波长在717 nm可见光波段。该平板超透镜以TiO₂波导作为衬底，由Au和GaP两组周期相同的光子晶体呈相切的结构共同蚀刻在TiO₂波导上，模拟研究透镜成像效果。此外通过引入一系列不同形状的缺陷，研究其对平板透镜成像结果的影响，结果表明，当缺陷结构为矩形尺寸：Lx = 0.5 μm，Ly = 0.8 μm时，该平板超透镜呈现出最好的成像效果，达到了0.556 λ数值的超分辨，极大地提高了成像质量。未来该平板超透镜在可便携的成像设备，AR，VR以及小型医疗设备等各个领域具有极大的发展潜力。

本文研究了纳米氧化铈（CeO₂）掺杂的双单体丙烯酸酯光致聚合物（TMPTA/EP828）材料的全息存储性能。通过引入纳米CeO₂以及优化配方比例来提升材料的全息性能，分析了CeO₂掺杂浓度及预聚合温度对衍射效率的影响。实验结果显示，厚度为100 μm的透射光栅样品在衍射效率（~95%）、光谱透过率（96.1%）、皱缩率（0.504%）、带宽和角度选择性等方面均表现出优秀性能。CeO₂的引入可有效提高TMPTA/EP828系统的交联网络结构和记录介质之间的兼容性，促进聚合反应，抑制体积皱缩，减小复用角度间隔，从而提升全息存储的角度复用性能和材料的稳定性。进一步经过光固化和老化实验证明，优化后的光致聚合物配方具有抗老化和耐高温性能。同时，材料制备工艺流程简便、周期短、易保存，可记录多路复用全息图像，在高密度数据存储等领域具有较广泛的应用前景。

研究了基于TMPTA双单体体系光致聚合物中各个组分的作用，对比了多种双单体体系的光致聚合物材料。结合单体的扩散运动，研究了不同成膜树脂、活性单体和光引发剂对光致聚合物的作用及影响，优化了材料的配比。同时在聚合物薄膜样品中成功记录信息，证明其具有良好的全息记录与高的分辨率性能。测试了不同曝光强度、不同曝光时间、不同温度下材料的衍射效率等全息参量，表明双单体体系在光强10~15 mW/cm²、时间40~80 s、温度46℃左右的曝光条件下具有较好的衍射效率。该材料体系在记录角度为30°，厚度70 μm时，衍射效率高达91.5%，透过率大于95.6%，折射率调制度至2.98×10^-3，耐高温性能好。该材料制作简便、周期较短、容易保存，作为全息记录介质能够有效记录高分辨率，高衍射效率的全息信息。由于该聚合物的高衍射效率并且稳定性高等特点，该材料更加适合用于全息图和大数据的永久存储。

Machine learning can effectively accelerate the runtime of a computer-generated hologram. However, the angular spectrum method and single fast Fresnel transform-based machine learning acceleration algorithms are still limited in the field-of-view angle of projection. In this paper, we propose an efficient method for the fast generation of large field-of-view holograms combining stochastic gradient descent (SGD), neural networks, and double-sampling Fresnel diffraction (DSFD). Compared with the traditional Gerchberg–Saxton (GS) algorithm, the DSFD-SGD algorithm has better reconstruction quality. Our neural network can be automatically trained in an unsupervised manner with a training set of target images without labels, and its combination with the DSFD can improve the optimization speed significantly. The proposed DSFD-Net method can generate 2000-resolution holograms in 0.05 s. The feasibility of the proposed method is demonstrated with simulations and experiments.