传统计算机经过几十年的发展演变,已经非常成熟,在很多领域已经表现出卓越的性能,被认为是人脑的拓展。然而传统计算机在很多领域中还远远达不到人脑的智力水平。人工神经网络以一种类似于人脑的方式处理信息,有望突破传统计算机遇到的困境,在很多领域表现出极大的潜力。人工神经网络主要包括前馈神经网络和递归神经网络,由于递归神经网络具有记忆衰落特性,擅长处理时间相关任务,因更贴近实际问题而被广泛研究。然而传统递归神经网络由于结构复杂、训练周期长、收敛速度缓慢等问题限制了其进一步发展。储备池计算是人工神经网络的一种典型范式,是在传统递归神经网络基础上的改进。储备池计算的输入连接权重和内部连接权重随机产生并固定,仅输出连接权重需要被训练。单节点储备池计算的结构被进一步简化,仅包含一个物理节点,对于人工神经网络的硬件实现和高度集成化具有重要意义。由于使用了高维状态空间的概念,可以使用简单的线性回归算法训练储备池计算,克服了递归神经网络训练困难的问题。基于单节点储备池计算范式,利用带自延迟光反馈的半导体激光器作为单个物理节点,搭建单节点光子储备池计算。将实验中采集的经过差分处理的白混沌作为掩模信号,使用岭回归算法训练输出连接权重。基于搭建的单节点光子储备池计算首先进行了0～9手写数字图像识别任务。使用方向梯度直方图技术对原始图像进行了特征提取得到特征描述子,利用赢者通吃决策策略对输出结果进行决策。经过对系统各个超参数优化,仿真结果表明,识别正确率可以达到99.3%。使用我们搭建的单节点光子储备池计算执行了更复杂的任务,进行了人体动作视频识别。首先对视频进行了抽帧和剪裁,每一帧进行基于方向梯度直方图技术的特征提取得到特征描述子,在输出层对于被识别视频的所有帧,将识别结果判定为多数帧对应的动作类别。同样优化了系统超参数,最终,基于单节点光子储备池计算的人体动作视频识别正确率达98%。验证了单节点光子储备池计算在计算密集型任务图像和视频识别中的优良性能,对人工神经网络的研究具有重要意义。