近年来,硅基液晶技术,由于其光学处理能力强、软件开发潜力巨大、性能稳定可靠等优点,得到了越来越多的重视和广泛研究。基于硅基液晶的空间光调制器在光信号处理领域得到了广泛应用。空间光调制器能够通过在其上加载灰度图像,输出经过调制的目标光束。因此,优化空间光调制器分束上的功率分配的计算方法,就能够促进在更广阔甚至更高精密级别的应用场景中使用硅基液晶空间光调制器。现如今,各种基于机器学习的智能技术已经得到了广泛的研究和应用,深度学习方法通过在计算机中搭建多层人工神经网络,以数字方式学习数据处理和抽象表达,即可以用于解决回归拟合问题。而讨论空间光调制器光场衍射系统的输入和输出之间的映射关系,就可以看做是一个多元回归问题。因此,本文在深入研究了液晶空间光调制器上的光场衍射过程之后,使用深度学习方法优化相位灰度图计算,可以快速且较为准确地进行初始相位的恢复,具有重要的科学意义和应用价值。本文的主要工作有:1.在分析了深度学习神经网络技术基本工作原理与实现结构的基础上,针对1×127端口的硅基液晶空间光调制器,对现有的多种神经网络模型继续分析与比较,总结对比了不同神经网络模型的特点。最终选择使用卷积神经网络作为本文神经网络的模型。2.在产生所需的输出幅度Aout之前,需预测出正确的空间光调制器光场衍射输入相位Pin。为此,训练深度学习函数Fleaming（Aout）=Pin。将预测的输入相位Pin代入算法,产生位相灰度图。当这张灰度图随后被加载在空间光调制器上时,它会在焦平面上产生所需的分束图案。为此,本文在Python环境下用Tensorflow框架设计深度学习模型,通过在仿真软件上搭建实验结构,仿真生成大量的样本数据,馈入设计好的模型进行训练,从而得到一个具有实用性的相位灰度图预测和计算工具。3.对本文所得的基于神经网络控制的空间光调制器分束光学系统进行仿真测试,将目标光场的振幅分布数据作为神经网络模型的输入,将衍射面上所加载的相位分布作为输出。仿真模型的结果表明,卷积神经网络能够有效提取输入输出之间的数据特征,经过充分训练后的模型可以快速、准确地进行初始相位的恢复。