储备池计算（Reservoir Computing,RC）是一种受生物学启发的新型机器学习方法,解决了数字计算机在处理复杂任务时出现的效率较低且耗能较高等问题。目前,RC主要有两种结构:一种是由多个非线性节点组成的空间型RC;另一种是由单个非线性节点加一个延迟反馈环组成的延迟型RC。相比空间型RC,采用一个非线性系统作为节点的延迟型RC可以简化结构,更有利于物理实现。特别地,基于马赫曾德尔调制器（Mach-Zehnder modulator,MZM）的光电延迟反馈系统具有高宽带、高速率等优势,因此将MZM作为单个非线性节点实现的光电RC受到了广泛关注。然而,单个MZM提供的非线性转换能力相对较弱,难以处理复杂的时间序列预测、模式识别、图像识别等任务,因此需要进一步提升系统非线性变换能力以增强光电RC性能。本文基于两个马赫曾德调制器（MZMs）组成的双储层,提出了一种双层光电RC系统,以此提升处理手写数字识别（Handwritten Numeral Recognition,HNR）任务的系统性能。在双层光电RC系统中,数据自输入层进入第一层储备池层后,进行非线性变化读取节点响应状态;进一步将相邻节点间响应状态取差值作为第二层储备池层的输入数据,通过读取第二层储备池层节点响应状态进行训练;最后由输出层输出识别结果。通过识别误字率（Word Error Rate,WER）对系统性能进行判断,并分析了反馈系数、偏置相位、输入增益等参数对系统性能的影响。为了探究双储备池层的引入是否对系统性能有所提升,本文对单个MZM构成的单层光电RC处理HNR性能进行了研究与分析,并引入梯度直方图（Histograms of Oriented,HOG）方法对输入数据进行特征提取,减少输入信息的复杂度并整理已有的数据特征,便于储备池进行分类识别。研究结果表明:对于HNR,单层光电RC系统的WER为0.167。经HOG特征提取后,单层光电RC系统的精度有所提升,WER从0.167降低至0.129。然而特征提取方法的引入不仅使得输入层处理过程更加复杂,而且增加了任务处理时间。对于双层光电RC系统,尽管缺少HOG特征提取,WER仍降低至0.110,表明双层RC系统在一定程度上弥补了单层RC系统的弱非线性。同时,该系统不需要对数据进行额外预处理,因此相较于单层光电RC,双层光电RC在不增加任务处理时间的同时具有更好的任务处理性能。