近年来,人工神经网络在图像语音等模式识别、机器翻译、无人驾驶等诸多领域取得了突破性进展,推动人类社会进入智能化时代。大数据时代提供了海量数据可供神经网络进行学习,这也对计算机的算力及算法的应用提出了更严峻的挑战。人工智能芯片的出现使计算效率在2015年后得到大幅提升,成为推动人工智能发展的硬件基础,但计算时间与功耗仍受到系统功率和带宽的严格限制,因此如何优化芯片上人工神经网络的计算速率与功耗成为亟待解决的难题之一。近几年涌现出许多基于光子集成芯片实现神经网络的研究。光信号的优势在于无源情况下具有执行复杂运算的能力,并且其特有的高速率与高度并行性决定了光信号具有实现超高速并行运算的潜质,为光子神经网络提供了理论基础。本文以硅基光波导为基础通过构建马赫曾德干涉仪阵列,结合传统人工神经网络算法,优化激活函数,提出一种光子神经网络实现数字识别的验证性研究。本文的主要内容包括以下几个部分:首先对人工神经网络的概念、特点及意义进行阐述,通过例证电子集成芯片在构建人工智能芯片中所遇到的瓶颈使其无法满足目前人工智能应用中所需的高速率与低能耗,从而引出了光子神经网络的概念。随后基于人工神经网络算法构造光子神经网络算法,对算法中前向传播和反向传播过程进行详细推导,并分析了不同特征输入向量的构造方式与激活函数的选择对识别准确率的影响,训练该网络并获得优化后的权重矩阵。紧接着详细阐述了光子集成技术与集成光波导理论,分析不同材料构成光波导的优缺点。对3dB定向耦合器和马赫曾德干涉仪的传输矩阵进行推导,确定马赫曾德干涉仪的结构参数,详细构造具有实现酉矩阵功能的硅基可编程纳米光子处理器,并在Rsoft-BeamPROP仿真软件中基于马赫曾德干涉仪阵列构建光子神经网络。随之利用MNIST数据集进行全局独立仿真,并对仿真结果进行分析,验证了光子神经网络实现数字识别的可行性。并验证光子神经网络的可扩展性,对MNIST和FASHIONMNIST数据集进行仿真识别,当输入端口增加,两者识别准确率都随之提升。进一步讨论了硅波导损耗对识别准确率的影响。最后对本文的验证性研究进行总结,并结合实验装置搭建与光子集成芯片结构进行未来展望。