为探究光强度调制/直接检测系统中神经网络非线性均衡器的最优结构，实现更优的光通信性能，通过搭建20 km的112 Gbps 四电平脉冲振幅调制无色散补偿的光传输系统，分析了多隐藏层循环神经网络均衡器在该系统中的误码率及算法复杂度性能。结果表明，在同一误码率阈值下，增加隐藏层层数可有效降低单个隐藏层中神经元的数目，从而降低均衡器的算法复杂度。但随着隐藏层数目的进一步增加，均衡器的收敛性能下降，导致误码率及复杂度性能的恶化。通过量化研究隐藏层数目对循环神经网络均衡器性能的影响，发现在112 Gbps容量和20 km传输距离下，2层隐藏层RNNE具有最优的误码率及算法复杂度性能。与单隐藏层均衡器相比，2层隐藏层均衡器在1×10^-3误码率阈值下算法复杂度降低23.3 %。

传统卷积神经网络模型在高光谱图像分类生成特征图的空间维度中存在大量的空间特征信息冗余，而且把高光谱图像单个像元上的光谱带数据看作是无序高维向量进行数据处理，并不符合光谱数据的特性，极大影响了模型的运行效率和分类性能。针对该问题，提出一种三维Octave卷积和双向循环神经网络注意力网络相结合的高光谱图像分类方法。首先，利用三维Octave卷积获取高光谱图像的空间特征的同时减少空间特征冗余信息。其次，利用Bi-RNN光谱注意力网络将光谱带数据视为有序序列以获取高光谱图像的光谱信息。然后，通过全连接层将空间和光谱特征图连接起来实现特征融合。最后，经过softmax输出分类结果。实验结果表明，所提方法在Pavia University和Botswana两个数据集上的分类精度分别达到了99.97%和99.79%，与其他主流算法相比，该方法可以充分利用空间和光谱特征信息，具有更佳的分类性能。

太赫兹时域光谱技术, 由于其具有物质“指纹谱”特性, 是一种可以快速无损地鉴别物质的重要手段, 在毒品和爆炸物的无损检测等方面有广阔的应用前景。 其中, 光谱识别是太赫兹时域光谱技术应用研究的重要方向之一。 现有的光谱识别方法多是依靠手工选取特征后进行机器学习分类, 或是通过设置吸收峰阈值门限进行判断。 由于一些物质在太赫兹波段内并没有明显的吸收峰特征, 同时样品浓度、 空气湿度、 各类噪声等会对太赫兹时域光谱造成干扰从而使信噪比下降, 这些方法并不能很好地适应, 并且物质类别和数量的增加也会导致计算量不断增加。 近年来, 随着深度学习技术兴起, 以卷积神经网络(CNN)和循环神经网络(RNN)为代表的方法在计算机视觉和自然语言处理等领域得到广泛应用, 相比于传统的机器学习方法其效果有了很大的提升。 由于深度学习技术强大的非线性分类能力, 基于RNN和CNN设计了两个网络用于光谱识别: 基于RNN的一维谱线分类网络和基于CNN的二维谱图分类网络。 模拟实际应用场景, 在非真空环境下采集了12种物质的两万多个光谱数据作为训练集和测试集。 在分析了样品浓度、 空气湿度对光谱特征的影响后, 使用S-G(Savitzky-Golay)滤波对光谱进行降噪。 实验结果表明, 对比未处理和经过S-G预处理的数据, 处理后的光谱特征更加明显, 识别准确率更高; 与传统的机器学习算法k最近邻(k-NN)方法相比, RNN和CNN方法在测试集上有更好的准确率, 且算法速度更快; 对于光谱识别, CNN方法比RNN方法能够更好地克服噪声的影响。 因此, 深度学习技术可以对太赫兹时域光谱进行快速有效的识别, 能够为新型无损安全检查技术提供理论和实验基础。