近年来光通信产业发展迅猛,行业发生巨大变革,机器学习和光网络中的深度融合为光联网的智能化管控提供了新思路,但在这个过程会必然会面临许多挑战,多域光网络受制于数据采集机制和管理约束等原因,多域光网络出现数据孤岛问题,使得机器学习应用性能不佳,如何在这种情况下实现性能优异的机器学习应用是个极为重要的研究领域。立足于此提出基于多域光网络联合学习技术研究的课题,通过多域联合学习的方法使知识获取方式由单一源向多源转变,解决了数据孤岛的问题,提高单域机器学习模型的性能,并在告警预测和光信噪比预测进行了仿真验证。本文的具体工作及研究内容如下:（1）旨在解决多域光网络数据孤岛带来的问题,引出了联合学习的概念,分析联合学习和多域光网络如何紧密结合在一起,提出了两种适合于多域光网络场景下的联合学习策略方案,为多域光网络提供多域联合学习选择,最后提出了可以承载多域光网络联合学习的多域联合学习网络架构体系。（2）提出了基于多域光网络联合学习的告警预测方案。在一定程度上解决由于数据孤岛造成的告警数据特征分布不均衡的问题。并通过仿真实验验证了所提策略方案的性能,该策略方案可以减缓多域光网络带来的数据孤岛问题,可以在一定程度上提高模型的性能,在告警预测两个子类问题上预测精度分别提高了 3%和5%。（3）本文提出了一种基于先验知识和后验知识相结合的混合式机器学习模型,相较于先验知识和后验知识方案更为优越,并在联合学习机制的加持下,提出基于多域光网络联合学习策略的光信噪比预测方案,对单域网络模型进行了性能优化。并设计对照实验方案进行性能对比,结果表明引入多域联合学习的策略的算法相较于仅用本地数据集得到的模型算法具有更优越的性能表现,准确率提高6%左右。