混沌光子储备池计算是一种由光电器件搭建的光学神经网络系统,利用激光器或光调制器的非线性,将输入信号进行非线性映射,再经训练过程就可以实现模式识别或序列预测等多种任务。混沌光子储备池计算作为一种新型的光信号处理单元,具有实现结构简单、训练复杂度低、能并行处理、潜在信息处理能力强等优点,具有好的应用前景。本论文深入研究了光反馈混沌储备池计算系统和并行储备池计算系统的结构、基于动力学特性的系统建模和参数优化、及不同长度(3bits~32bits)的光分组头识别任务,具体完成了如下工作。(1)对光反馈混沌储备池计算系统进行数学建模,优化了系统的反馈强度因子k、反馈延时?等内部参数和采样率S、虚拟节点数N、分组头信噪比SNR等外部参数,利用该系统实现了不同长度(3bits~32bits)光分组头的识别任务。3 bits分组头识别的NRMSE为0.1083,WER为0;32bits分组头的NRMSE为0.2044,WER为0.75%。(2)基于光反馈混沌储备池动力学系统模型,仿真分析了系统在两个偏振方向反馈强度不同的条件下3bits~32bits光分组头的识别效果,结果表明,偏振保持光反馈状态下系统的识别效果最佳。(3)提出了基于半导体环形激光器光反馈、基于直调激光器光反馈和基于互耦合光电反馈的三种并行储备池计算系统结构,分别进行数学建模和系统参数优化,以两路光分组头同时并行识别为例,实现了不同长度(3bits~32bits)光分组头的识别任务,验证了系统的可行性和有效性。