光纤拉曼放大器(FIBER RAMAN AMPLIFIER,FRA)基于受激拉曼散射机制,以传输光纤作为增益介质,具有增益波长由抽运波长决定,噪声系数低,良好的宽带放大特性等优势,是一种能在1270nm到1670nm的全波段进行光放大的器件。随着高功率半导体抽运光源的出现和光纤光栅技术的发展,FRA成为近年来研究的热点,在光通信方面具有广泛的,极具吸引力的应用前景。本论文围绕FRA展开工作,主要在FRA功率传输方程的数值求解,FRA增益平坦的优化设计以及增益的偏振依赖特性方面进行了较为深入的研究。首先,本文采用数值分析中经典的龙格-库塔法反复迭代去求解功率传输方程,采用了一种修正后的功率传输方程的计算模型以降低龙格-库塔法的截断误差。同时,针对多波长反向泵浦FRA数值求解中出现的两点边值问题,改进了一种快速收敛的加权平均算法,在求解过程中对信号光和泵浦光同时进行加权平均处理。在MATLAB下数值求解的结果表明,通过对光纤进行合理分段,在权重因子选取适当的情况下,该加权平均算法显示出了较为出色的收敛特性。其次,本文改进了一种基于神经网络的优化算法通过对泵浦功率配置进行优化,以得到具有较理想增益平坦度的FRA信号增益谱。与原优化算法相比,改进后的算法通过引入学习因子以获得更快的收敛速度;考虑了泵浦波之间的拉曼相互作用,在选定合适的波长和七系数的情况下,得到了更好的优化结果。最后,用概率论的方法分析了光纤拉曼放大器中偏振依赖增益(PolarizationDependent Gain,PDG)的统计特性,比较了由于光纤参量和泵浦方式的不同所导致的对偏振依赖增益的影响,并在双向泵浦中引入了泵浦方向度的概念,分析出了在总功率一定的条件下,泵浦方向度对偏振依赖增益的影响。