近年来,基于人工神经网络（ANN:Artificial Neural Network）的深度学习技术得到了迅速的发展,已经成为了人工智能研究的热点,并且广泛应用于各个学科及工业领域。深度学习是一种模拟人脑对数据进行特征提取的技术,通过深度神经网络来实现对输入的特征表达。借助深度学习神经网络技术去表征光场传输过程中的映射关系,可克服传统物理方法的局限,各种深度学习模型也被研究并应用于例如精确模场调控、光波导成像恢复、模式识别等领域中,具有十分巨大的研究价值。本工作就是利用深度学习神经网络技术,根据光的应用场景分别构建了空间衍射神经网络模型和深度神经网络模型对其进行多维调控和成像恢复,实现了低耦合损耗的尺寸可调涡旋光场与环芯光纤耦合系统演示,以及基于渐变折射率光波导的高保真成像实验,具体如下:（1）介绍了深度学习神经网络技术的发展现状并梳理了其中常用技术的原理,然后对后续使用的ANN模型基础理论进行了详细介绍。接来下结合光场自由空间衍射传输原理和深度学习技术,仿真构建了衍射神经网络模型来实现涡旋光场的尺寸可调。最后基于传统ANN的理论,仿真构建了U-net神经网络模型和pix2pix神经网络模型,用来恢复经渐变折射率光波导传输后失真模糊的图像。（2）搭建了尺寸可调涡旋光场与环芯光纤的可视化高效耦合系统,并且验证了衍射神经网络模型的可靠性。将理论计算得到的相位全息图加载到空间光调制器上对涡旋光场进行调制,产生了1-5阶尺寸可调涡旋光场并分别高效耦合进环芯光纤中,最后通过耦合损耗的分析评估了系统性能。（3）搭建了高保真彩色渐变折射率光波导成像系统。利用U-net神经网络模型和pix2pix神经网络模型分别实现对渐变折射率光波导成像系统传输的失真灰度和彩色图像的恢复,通过恢复图像的质量及与目标图像的相似度的对比,评估了该系统的性能,并发现pix2pix神经网络模型和渐变折射率光波导成像系统结合可大大减少训练时间,有望实现理想的实时图像传输。