自适应光学技术通过实时探测并校正动态波前误差,使光学系统可以适应外界环境的变化,始终保持最佳工作状态。传统的自适应光学技术首先利用波前传感器测量波前信息,然后完成闭环补偿。无波前探测自适应光学借助优化算法使系统性能指标达到最优,由此完成对波前像差的校正,因此优化算法的收敛特性成为其关键因素。与其他算法相比,随机并行梯度下降算法(Stochastic ParallelGradient Descent,SPGD)算法由于简单、实用以及高效等优点得到广泛应用。本文通过理论分析、数值仿真和实验的方法,研究了基于SPGD算法的自适应光学的可行性、收敛速度、系统带宽、性能指标、随机扰动等问题,然后针对SPGD算法收敛速度较慢的问题,提出改进的方法。　　 首先,通过数值仿真和实验的方法,分析了基于SPGD算法的自适应光学校正静态波前像差的基本特性。研究结果表明,基于SPGD算法的自适应光学能够有效校正静态波前像差,但是与基于波前探测自适应光学相比,性能指标收敛速度较慢,系统的效率较低。　　 理论和实验分析了SPGD算法的收敛速度与校正器单元数之间的关系,在此基础上通过动态波前校正实验分析了系统带宽,给出了一个估计带宽的公式。该公式能够给设计和应用基于SPGD算法的自适应光学提供依据。　　 使用不同的性能指标校正时,闭环结果有所不同。针对点目标成像系统,仿真和实验分析三种性能指标,结果表明适用范围较大、动态特性较好的性能指标进行校正时,系统的收敛速度和校正精度较好。由此,本文给出了性能指标的分析方法和选择依据。　　 通过与波前探测自适应光学相对比,分析了随机扰动对收敛速度的影响。在此基础上提出利用泽尼克模式优化随机扰动的方法,以此提高波前扰动和波前像差的统计相关性。仿真和实验结果表明,该方法不仅有效提高了算法的收敛速度,同时实现了变形镜和倾斜镜的解耦控制。此外,由于不同的波前校正器产生的波前扰动不同,因此可以结合待校像差的特性来合理选择校正器件。　　 根据随机扰动对收敛速度的影响,首次提出利用线性相位复原(Linear phaseretrieval,LPR)算法实时优化SPGD随机扰动的方法。仿真和实验研究结果表明,利用LPR算法优化SPGD算法随机扰动的方法,可以显著改善算法的收敛速度。但是受限于LPR算法的校正范围较小,随着像差的增大,改善效果逐渐变差。　　 针对LPR算法校正范围较小的不足之处,提出两种改进方法,根据其特点分别记做D_LPR算法和曲率算法。仿真和实验结果表明,与LPR算法相比,D_LPR算法和曲率算法的校正能力较好,能够用于实时自适应光学中。最后对算法中复原矩阵的测量方法做了一定的分析,结果表明Hadamard模式法测量复原矩阵简单、有效。　　 本文较为深入的分析了基于SPGD算法的自适应光学的特性,并给出了一些较为普遍的分析方法,对算法的具体应用具有重要的指导作用和参考价值。