随着激光技术的发展,少周期脉冲在物理,化学,生物和医学等领域发挥着巨大作用。在超快光学领域,少周期脉冲是获得单个阿秒脉冲的重要条件,可以显著提高我们研究对象的时间分辨率,以便我们在阿秒的时间尺度上研究电子的动力学过程。随之而产生的问题是对少周期脉冲的完全测量,普通的电子元件响应速度远远不够,于是科研工作者提出了光学测量法应对这一问题,例如频率分辨光学门（FROG）和光谱相位相干直接电场重建法（SPIDER）。其中,由于FROG准确率高,易于操作,成本较低,图像直观等优点,其被广泛使用,使用中需要对测得的行迹图利用迭代算法重构,但少周期脉冲的行迹图较为复杂,需要非常多的迭代次数,这大大增加了时间成本。为解决这一问题,我们在一些科研人员的工作的基础上,提出利用实验光谱数据产生样本,基于深度神经网络重构少周期激光脉冲,这一重构方法相比传统重构时间大大缩短,相位更准确,抗噪能力更优,而且很有前景,将来有希望会取代绝大部分重构算法。我们在实验室中成功搭建了一套单发二次谐波FROG并投入使用,并利用深度学习搭建了重构FROG行迹图的神经网络。绪论部分介绍了相关背景,包括少周期脉冲的产生以及测量方法,深度学习的优势等。第二部分是单发FROG的理论部分,包括FROG的基本原理,类型,以及常用的行迹图重构算法。第三部分是我们对深度学习重构行迹图的相关研究,介绍了深度学习的相关概念和神经网络所使用的梯度下降的反向传播算法,介绍了我们所使用的卷积神经网络的基本结构,以及我们搭建的卷积神经网络,并将其用于重构理论计算的行迹图且取得了良好的结果。第四部分介绍了我们搭建的单发FROG装置以及利用装置测量得到的少周期脉冲结果。第五部分是将我们搭建的神经网络与单发FROG装置相结合,对实验测得的行迹图利用神经网络进行重构,得到较好结果。最后我们总结并对深度学习在物理相关前沿中的应用进行展望。