提高眼底自适应光学成像系统的普适性设计

自适应光学技术被广泛应用于人眼像差的校正，从而实现眼底细胞和微血管进行高分辨率成像。传统自适应光学系统受夏克哈特曼波前探测器的动态范围限制，只对部分人群适用，无法对高屈光不正人群进行眼底高分辨率成像。为了提高眼底自适应光学成像系统普适性，本文设计了一种基于音圈变形镜高分辨率眼底自适应光学成像系统：引入Badal调焦系统，能够对人眼屈光度在-8～8 D的眼底进行高分辨率成像；用轴锥透镜组代替传统的环形光阑，控制正、负轴锥透镜间距可以调节环形光内径，以适应不同人眼的角膜，同时避免角膜反射的杂光；通过视标引导实现大视场成像。仿真结果表明，照明子系统在眼底视网膜照度分布均匀；在设定的公差范围内，至少有90%的MTF值在25 lp/mm达到0.21（对应视网膜上4μm）。在实验室搭建了相应的光路，对大畸变的模拟人眼进行了成像，获得了较好的成像效果。     

基于深度神经网络的大气湍流压缩波前探测

压缩感知技术用于光学波前测量时，常规的斜率恢复方法精度较低，难以测量大气湍流引起的复杂波前，本文利用深度神经网络进行斜率恢复，提高斜率恢复精度，从而提高压缩波前探测方法测量大气湍流波前的精度。传统的压缩波前探测方法在稀疏化过程中忽略相对较小的斜率值，导致波前测量误差的增加。为了快速测量大气湍流引起的复杂波前，本文提出了一种深度神经网络，可以高精度地恢复斜率，从而提高了波前重构的精度。在压缩比为0.1～0.9情况下，基于深度神经网络的压缩波前探测算法（DNNCWS）的波前重构误差PV优于0.014μm，算法的运行时间为4.4 ms。在暗弱星等情况下，残差波前的峰谷值（PV）优于0.011μm。模拟结果表明，DNNCWS具有良好的抗噪声性能。深度神经网络DNNCWS提高了压缩波前的探测精度，可以用于测量大气湍流引起的复杂像差，还可用于其他自适应光学应用，如激光通信和视网膜成像。     

基于Transformer结构的高精度湍流波前重构

动态变化的大气湍流和观测目标的亮度的降低严重影响了夏克-哈特曼波前传感器（SHWFS）探测波前的精度。针对这两种复杂的观测条件，本文提出了一种以Transformer结构为基础的神经网络模型，它具有很好的全局建模能力，可以高精度地从SHWFS光斑阵列图像中重建波前。通过在动态变化的典型大气湍流相干长度r0下进行仿真模拟，所提出的网络模型的残余波前RMS误差值稳定在0.010～0.024μm之间。与已有的方法相比，本文方法能够更准确地重构波前像差。此外，本文方法的重构精度受导星或观测目标的亮度变化影响很小。因此，本文方法的重构精度对两种观测条件变化均具有较强的稳定性，为大口径天文光学望远镜的高分辨率成像提供了一种有前景的方法。