本文基于光声光热无损检测技术以及相应的热传导模型，用人工神经网络对不均匀材料的光学参数分布进行剖面重构，用仿真模拟方法验证了神经网络参数识别技术用于实际问题的可行性，本文用两种不同的方法训练网络并且比较了两种方法训练网络的执行效率，并对光学参数进行了灵敏度分析。　　本文研究的主要内容是利用奇异值分解法把热源用本征函数展开，对本征函数和本征系数分析得出结论:本征展开函数与样品的热源函数很相似，并且在本征系数中加入正则参数可以起到抑制噪声的作用，因此，用本征函数来逼近热源是很合适的。依此，本文提出了一种新方法训练网络来提高网络的执行效率，即本征函数生成的样本集训练网络。　　在研究神经网络仿真模拟对光学参数进行剖面重构时，先用Fourier函数随机生成的样本集训练网络并测试网络研究网络的执行效率，接着研究了网络的联想能力和抗噪声能力，说明神经网络在实际应用中是可行的。然后我们用本征函数集代替Fourier函数集训练网络，并比较这两个函数集训练网络的执行效率，通过比较分析表明，用本征函数集训练网络的识别效率比Fourier函数集训练网络好，因此用本征函数集训练网络比Fourier函数集训练网络更优越。随后还研究了用不连续特殊（如高斯函数和矩形函数）函数集训练网络并用训练好的网络作交叉测试比较，发现高斯函数集训练的网络比矩形函数集训练的网络优越。　　最后我们分析了表面信号相对光热参数的灵敏度。首先分析了样品表面温度信号相对光学参数（热源强度和光吸收系数）的灵敏度，分析得知表面信号相对热源强度的灵敏度比相对光吸收系数的灵敏度高，说明重构热源优于重构光吸收系数。其次我们分析了样品表面信号相对热学参数（热传导系数和比热容）的灵敏度，经分析知表面信号相对热传导系数的灵敏度比相对比热容的灵敏度高。