惯性约束核聚变(ICF)是目前受控核聚变的主要实现方式之一,其研究基于大型固体激光装置的高功率激光脉冲发射实验。为了提高实验成功率,减少不必要的损失,激光装置分析管控系统的自动化、智能化是极为关键的课题之一。装置每次实验发射的激光脉冲实测波形是智能分析管控系统各组件参数设计的最大依据,其精度直接影响到整个系统的管控能力,是各功能得以准确可靠实现的前提。受装置空间结构等限制,仅从硬件方面对信号畸变进行抑制与补偿的效果有限,需要对激光器输出波形进行后续去噪处理,然而由于激光的非线性传输,影响因素众多,不确定性大,难以采用传统去噪方法进行单纯的波形数据处理,导致目前项目开发中应用的波形数据仍有大量畸变。在这一项目背景下,人工智能对复杂模型的强大拟合与泛化能力得到了本文的重视,尝试采用机器学习中的卷积神经网络方法对数据进行处理。针对激光装置发射成本高、实测波形数据量极少,且无法得到数据真值的问题,利用仿真程序模拟波形从初始状态到被示波器测得的过程,在仿真层面上对网络进行训练及验证,再用实测波形对网络的训练效果与泛化能力进行测试。基于以上技术路线,本文开展了如下工作:(1)参考某装置的实际传输特性,对实测脉冲波形数据的形状特征进行分析研究,据此设定了模拟波形的生成规则,设计了仿真波形生成程序,并针对网络训练的需求进行数据增强,利用程序生成了模拟波形训练集,为下一步的网络训练奠定基础;(2)选用特征提取能力较强的一维卷积神经网络实现本文的项目需求,设计了其具体结构与参数完成训练,通过重新生成的模拟波形数据对其训练效果进行验证,将实测波形输入网络进行测试,在训练效果不理想的情况下通过改变网络卷积层深度的对比实验分析总结出产生此结果的原因与改进方向;(3)受全卷积神经网络的启发,改用U-Net模型作为去噪网络的基本架构,重新设计网络的参数使其适用于本文的实际需求,完成训练后用相同的方法进行测试,效果远好于之前的普通结构,实现本文的研究目的。