随着第五代移动通信技术(5th generation mobile networks,5G)、人工智能(Artificial Intelligence,AI)、大数据等技术快速发展,数据量呈指数形式迅速增长,传统的电子芯片由于集成度和功耗等因素的制约,逐渐无法支撑计算中的海量数据。光子芯片由于高带宽、低功耗、高并行度、易集成等特性,可突破“电子瓶颈”的限制,实现数据的快速处理。本文以神经网络在光域中运算为目标,搭建了一种基于马赫增德尔干涉仪(Mach-Zehnder interferometer,MZI)调制器的光电混合神经网络,通过对网络中光子器件的误差分析,设计了一种基于误差补偿方案的全光神经网络光子芯片,该芯片中,在光域实现数据的线性和非线性运算,精度高且有较大的噪声容差。本文的主要研究工作如下:(1)用Python脚本辅助Interconnect仿真软件,搭建了一个光电混合的神经网络。线性矩阵运算通过MZI结构在光域实现,非线性激活函数算法在电域进行。采用鸢尾花分类任务作为顶层应用,该网络准确率为92.38%。(2)针对光电混合神经网络中器件误差导致的网络性能下降问题,提出了误差补偿方案。首先针对MZI中分束器的误差,采用了添加冗余MZI的结构,提出了精确计算双MZI中具体结构参数的方法。通过训练上述神经网络,可有效降低神经网络误差,提高运算性能;其次,针对MZI中移相器误差,提出了添加冗余移相器的MZI结构及对应的调节算法。研究表明,该结构可以提高神经网络的准确率,增加网络的稳定性。(3)经误差方案补偿后,提出一种具有冗余移相器和冗余MZI的结构。通过自我配置的方法,该结构可抵抗分束器和移相器误差产生的网络性能下降问题,可同时进行线性和非线性运算。基于此,实现了基于神经网络的光子芯片设计方案。经过训练后,鸢尾花分类任务可以达到96.40%的准确率。将其与光电混合神经网络进行比较,研究表明全光神经网络具有更高的准确率和更高的抗噪能力。