衍射深度神经网络（D2NN）通过无源衍射层的深度学习，可实现快速高效的深度学习功能。利用多组不同湍流强度干扰下的轨道角动量（OAM）态和目标OAM态组成的训练数据集对设计的D2NN网络组件进行训练，更新和优化组件中各参数，直到由D2NN输出的OAM态与目标OAM态的平方误差损失函数达到预定的阈值，便可获得实现高速、高精度的OAM波前校正的D2NN组件。测试结果表明：D2NN迭代次数、衍射层数、训练参数的选择会对组件的校正速度和准确度产生影响，通过D2NN可以实现受大气湍流干扰的OAM态的高精度校正；当大气湍流强度为10^-14 m^-2/3、D2NN网络层层数为8时，组件性能最佳，其损失函数相比5层网络层的D2NN降低超过45.45%；而对于更强大气湍流的干扰，可以通过增加网络训练时的迭代次数来提高校正的准确度，迭代20次后损失函数的值降低率达到98.03%；对于湍流强度较弱的干扰，训练时采用纯相位参数，组件的性能更优；而对于强湍流的干扰，训练时采用相位参数与振幅参数两者相结合的方法，组件的性能更优；除此之外，OAM态的拓扑荷值越小，校正后的失真度越小。

研究了水下湍流对轨道角动量(OAM)通信系统的性能影响,分析了不同环境参数和 传输距离下OAM通信系统信道容量的变化。结果表明,水下湍流环境中随着传输距离、湍流动 能耗散率和温度耗散率的增加, OAM态光束模式之间串扰加强,信道容量下降。当传输距离达 到7 m左右,信道容量下降为原来的一半;当湍流动能耗散率 为10－4m2/s3,容量下降 到理论最大值的75%; 当温度耗散率为10－8K2/s, 信道 容量下降到理论上最大值的一半;水下环境中盐度扰动比温度变化扰动对OAM通信系统性能的影响更大。

通过实验方法研究轨道角动量(OAM)态水下传输特性。首先搭建OAM态水下光通信系统,然后通过OAM态展开谱和接收到的初始及其相邻OAM态概率变化曲线来研究其水下传输能力。实验结果表明:随着盐度的增加,初始OAM态的概率明显降低;相邻OAM态的传输概率随着拓扑荷间隔的增加而减少。