近年来,随着新兴数据业务、复杂高阶调制、动态波长切换、灵活频谱栅格与混合传输技术的发展,光网络正朝着动态化、复杂化与异构化的方向演进,对光网络的管理控制能力提出了更高要求。在传统光网络管控中,传输系统自适应能力薄弱,网络管控可信有效数据缺乏,且传输系统与网络管控间缺乏跨层感知与智能反馈功能。面对上述问题,在人工智能(AI)与软定义网络技术的支持下,具有网络状态立体感知、网络数据智能分析以及网络组件自适应控制优势的智能感知光网络(CON)成为研究热点之一。本文以智能感知光网络中的光性能监测与信号处理技术为核心,围绕AI驱动的智能感知光网络架构、光传输系统损伤自适应监测与补偿、面向智能感知光网络数据库的数据增强,以及基于物理层感知与网络层反馈的资源管控等问题,提出了若干技术创新方案。主要论文工作与创新点如下:1、基于感知光网络中核心思想即“感知-学习-动作”闭环控制,设计了一种AI驱动的智能感知光网络结构,规范了网络状态监测中数据源、监测方式、数据存储与数据表示的实现方式。此外,在网络管理控制中引入了各类AI驱动型智能网络管控应用,包括光性能监测、物理损伤补偿、网络设备控制、传输链路质量估计、网络资源分配、网络流量预测与网络故障管理。另外,总结了软定义网络组件的工作原理与实现方案,以闭环形式实现“观察-学习-动作”的功能设计,为智能感知光网络的实现提供基础架构支持。2、针对光传输系统中物理损伤补偿算法缺乏智能学习能力、依赖传输链路信息且自适应性不足等问题,提出了两种基于机器学习的自适应损伤监测与补偿算法。面向光纤传输系统,论文提出了一种基于深度神经网络(DNN)的自适应色散(CD)监测与补偿算法。仿真结果表明该算法在2000ps/nm动态范围内的平均监测误差约为20ps/nm,与基于CD扫描与频域均衡的经典方法相比,计算复杂度显著降低,需要的乘法器,加法器和比较器的数量分别减少了 98.6%,98.8%和64.4%。另外,面向自由空间光传输系统,提出了一种基于卷积神经网络(CNN)的大气湍流监测与轨道角动量键控(OAM-SK)自适应解调方案。该方案对于8-OAM-SK系统的自适应解调误差约为0.86%,比传统方案的解调精度提高了 19.2%。同时,首次提出基于CNN的大气湍流监测方案,对6种典型大气湍流信道的监测精度达到95.2%。3、针对光网络智能管控中AI驱动型应用缺乏有效可信网络流量数据,以及实际网络故障数据严重不均衡的难题,提出了基于深度学习的自适应时序数据增强算法与基于生成对抗网络(GAN)的网络故障数据均衡算法。实验数据表明,对于接入网与核心网中6种典型流量类型,合成的增强流量数据与对应实际流量数据关于均值,方差和Hurst指数平均偏差分别为0.7%,1.3%与7.0%,明显低于传统的统计参数配置法(SPC)的对应值。另外,实验结果显示,当在基于支持向量机(SVM)的故障识别模型中采用本文所提出的基于GAN的网络故障均衡算法时,相对于采用原始不均衡数据集的情况,故障漏报率从24.7%降低至3.8%。对于基于SVM、K最近邻算法(KNN)、决策树(DT)、随机森林(RF)以及梯度下降树(GBDT)的故障识别算法,结合了本方案所提出的故障数据均衡算法的GBDT模型在漏报率、准确率与召回率指标上综合优于其他算法,有效减少了数据不均衡对网络故障识别的影响。4、针对光网络中网络资源控制技术依赖人工干预、缺乏响应反馈以及动态建模能力薄弱的局限,提出了基于物理层感知与网络层反馈的资源管控机制,并通过引入基于深度强化学习(DRL)的数字孪生技术,有效提高了可编程光收发机(POT)的动态建模与智能控制能力,实现了 POT中调制格式、波特率与前项纠错(FEC)编码按需自动调整。与经典的基于最大传输容量(MaxCap)的POT相比,本文所提出的DRL-POT可以节约19.4%的频谱资源,并可以获得类似的网络时延性能。受益于双引擎DRL中的双神经网络结构和反馈控制机制,本文所提出的DRL-POT有效建立动态POT模型,以适应随时间变化的流量负载和链路传输质量,并且根据最大传输效能选择对应的最佳POT控制动作,反馈控制物理空间的POT,以确保满足业务网络时延需求并提高频谱资源使用效率。