随着新型IP数据业务迅速发展,人们对光纤带宽的要求越来越高。20世纪80年代以来,光网络已朝着大容量、智能化、IP化3个方向不断发展并取得了显著的成就。然而由于当前IP业务本身的不确定性和不可预见性,通信服务提供商需要根据客户的不同需求提供不同质量的服务,即他们在不断地升级网络来支持新型高速业务的同时也得保障原有低速业务的正常运行。因此未来的光网络需要对网络带宽进行动态分配,从而灵活提供不同质量类型的服务,这种新一代光网络被称为弹性光网络(EON),而调制格式在EON中是灵活多变的。为确保这种复杂的光纤网络正常运行,需要对光网络资源进行有效的管理,所以光性能监控(OPM)模块正越来越受到重视。而码型识别也称为调制格式识别(MFI)在EON的OPM模块中占据十分重要的地位。OPM模块监测的光信噪比(OSNR)和信号损伤需要知道具体的调制格式才有意义,并且部分信号损伤的补偿算法只有知道了调制格式才能进行补偿。除此之外,码型识别可以使光接收机有针对性的接收信号,从而更加智能化。因此,针对码型识别开展相关研究是十分必要的。码型识别早期主要在星座图或斯托克斯空间中计算星座点团簇的间距或数量。随着人工智能技术的不断发展,有学者提出了使用机器学习来识别调制格式的方法,主要有基于人工神经网络(ANN)的幅度直方图(AH)识别和支持向量机(SVM)的特征空间分类等方法。然而这些方法在面对码型种类增多,更高阶的调制格式或是在光信号受到损伤的情况下性能并不理想。此外,为了进一步提升传输性能,概率整形(PS)信号被引入系统中,概率整形技术能使信号传输速度接近香农极限而成为光通信技术的下一个重要发展方向,所以对PS信号进行码型识别的研究也是必不可少的。本文围绕弹性光网络中码型识别这一主题展开研究,探索了光信号在不同空间中的表现形式与生成图像的方法。参考深度学习中的新型卷积神经网络(CNN),提出了基于图像特征的轻量化卷积神经网络的码型识别算法。本文主要研究工作如下:1.通过仿真研究了光信号在星座图空间和斯托克斯空间的图像表现形式,并结合信号损伤对两个空间星座点的影响得出在斯托克斯空间展开码型识别更有优势的结论。2.结合目前卷积神经网络在图像识别上的成就,针对光通信系统中对码型识别高实时性,占用内存小的需求,本文参考MobileNet结构,使用Python与TensorFlow搭建了轻量化卷积神经网络,并构造基于二维斯托克斯平面的图像特征,提出了本文的码型识别算法。3.使用MATLAB软件结合28Gbaud的偏振复用(PDM)光纤通信系统,搭建了码型识别系统的仿真实验平台,针对6种常见的调制格式(BPSK、QPSK、8PSK、16QAM、32QAM 和 64QAM)进行识别测试。结果表明,本文提出的系统可以在较低的OSNR(≥15dB)要求下精确地(≥95%)识别这6种码型。随后对该系统做出改进使其能够适应存在概率整形信号的光纤通信系统,并增加6种概率QAM 信号(3 bit/symbol 的 16QAM,4、5 bit/symbol 的 32QAM 和 3、4、5 bit/symbol的64QAM)对其进行测试,结果表明该系统可以精准地识别所有12种码型。最后针对残余损伤(CD、PMD和PDL)进行了容忍度测试,证明了系统有对信号损伤有较高的容忍度。此外,和其他学者的方案相比,本文的算法对OSNR的要求更低,系统结构更简洁,能够识别更多的高阶调制格式信号,并同时拥有较低的算法复杂度。