随着5G、云计算、自动驾驶车辆和网络直播等新兴业务造成的大规模互联网流量增长,预计未来光接入网络将满足为每个用户提供上千兆每秒的速率需求,这些都给光纤互连系统带来了前所未有的压力与挑战。对于光纤互连系统来说,系统性能很大程度上受到光器件和光纤链路中的物理损伤的限制。因此,对光纤互连系统进行性能监测和物理损伤诊断,是保障其安全稳定运行必不可少的重要技术。但传统的物理损伤诊断往往大量依赖于专业工程师的经验与知识,不仅人力成本高、时间效率低下,还可能导致不可避免的人为误差。近年来,深度学习在光性能监测中得到了广泛的应用,但已有的研究主要聚焦于监测过程,对于已经发生的故障或损伤缺少相应的诊断分析、故障溯源、损伤程度评估等。基于深度学习强大的自学习能力以及迁移学习高效的多任务处理能力,本论文围绕光纤互连系统中物理损伤诊断问题提出了相应的技术方案。本论文的主要工作及创新点如下:第一,针对光通信中已有的机器学习应用研究主要聚焦于监测系统传输过程,并且传统的故障/损伤检测采用的固定阈值限制的方法过于保守和检测效率低的问题,提出了基于深度学习的光纤互连系统物理损伤诊断方案,验证了将深度学习应用于对系统物理损伤进行诊断的可行性。第二,针对传统机器学习方法需要人工提取特征的问题,提出了一种基于卷积神经网络(CNNs)的智能物理损伤诊断方案。在对高阶调制相干检测系统的PDM-16QAM信号的星座图和对强度调制直接检测系统的PAM4信号的眼图的物理损伤诊断中,都实现了单独对其物理损伤类型和损伤程度100%正确的诊断。此外,对于PAM4信号的眼图损伤诊断,在对多种物理损伤类型下的损伤程度诊断任务进行总体优化时,诊断的准确率也能达到99.88%,验证了基于CNNs的智能物理损伤诊断方案的可行性和优越性。第三,针对上述基于CNNs的物理损伤诊断方案存在模型重复训练,费力耗时的问题,提出了一种基于深度迁移学习的物理损伤诊断方案,并以Fine-tune和Frozen两种方式实现。在对PDM-16QAM信号的星座图和对PAM4信号的眼图的损伤诊断中,以Fine-tune和Frozen两种方式实现的深度迁移学习方法,相比于上述基于非迁移学习的CNNs模型,都极大地提升了模型的学习效率,分别缩短了至少10%和50%的模型训练时间,验证了基于深度迁移学习的智能物理损伤诊断方案的可迁移性和优越性。