近年来,随着神经网络的快速发展,多种神经网络框架相继提出,在图像识别和语音处理等方面表现出强大的应用潜力。但是,随着神经网络结构越来越复杂,对算力的要求也越来越高。而在集成电路方面,由于摩尔定律的逐渐失效,现代晶体管越来越满足不了人工智能（Artificial Intelligence,AI）技术的算力要求。此外,电子信号存在易受干扰,高耗能,高散热风险等问题。光子作为信息载体具有高能效、高速大规模并行处理能力的优势。最近,光学器件迅猛发展,例如光学矩阵矢量乘法器,光互连技术等,成功解决了光学矩阵乘法,光学非线性的实现。此外,多种光学神经网络新架构新方法相继提出,例如光电混合神经网络,全光神经网络等,极大促进了光智能的发展。基于以上成果和因素,本文主要研究方面如下:1.首先利用基于麦克斯韦方程的半解析方法描述光学散射介质双向散射传播的物理特性,利用矩阵方式描述散射矩阵物理性质,采用多层散射介质构建光学散射神经网络单层物理神经层,然后将单层神经层扩展至多层神经层。2.设计一种新型的基于散射介质成像的光学散射神经网络框架。根据双向散射物理模型构造对应的双向数字复值神经网络,根据双向数字复值神经网络的前向传播网络,利用复值求导链式法则以及梯度下降法引导数字权重更新的复值后向传播算法。3.利用矩阵方式描述光学散射介质双向散射成像模型,通过调控光学散射介质的物理参数实现数字复值神经网络权重参数。4.利用多层堆叠的光学散射介质构建光学散射神经网络单层智能单元,级联单层智能单元构建多层散射网络深度物理模型,并利用非线性光电材料薄膜实现非线性激活,完成光学散射神经网络的搭建,最后在MNIST数据集上验证光学散射神经网络智能分类的有效性。