储备池计算（Reservoir Computing,RC）是机器学习领域引入的一种受生物学启发的新颖计算方式,解决了传统计算机在处理诸如语音识别、人脸识别、混沌时间序列预测等复杂任务时能耗高、计算速率较低等问题。RC的一个主要优点是训练算法的有效性和快速收敛到全局最优,因为只需要训练输出的连接权重,不需要对网络内部连接进行优化,这种概念使RC的硬件实施成为可能。RC的硬件实施方案有两种:一是由空间内分布的大量非线性节点组成的空间型RC;二是由非线性时滞系统构成的延时型RC。特别地,基于后者这种由单节点构成的RC具有易于硬件实现和低成本等优点,从而极大的吸引了人们的兴趣。半导体激光器（Semiconductor Laser,SL）在光注入、电流调制等外部扰动下非线性动力学状态丰富且可控,具有响应速率快、体积小、能耗低、易集成等优点,所以SL被认为是构建RC的理想器件。因此,基于SL的RC系统（简称SL-RC）的相关研究受到了广泛关注。考虑到延时SL-RC系统性能会随着反馈相位的波动而急剧变化,而在此类系统中很难消除反馈相位的波动。在本文中,基于电信息注入SL的RC系统具有结构简单的独特优势,提出了一种基于电信息注入孤立SL的RC系统,并对该系统的性能进行了理论研究。针对该系统对过去输入信息记忆能力（Memory Capacity,MC）不足的问题,引入了一些辅助方法来提高记忆能力并优化处理复杂任务的性能。在现有的方法中,储备池层的输入是当前输入信息和一些过去输入信息的加权和（M-input）。本文引入了另一种辅助方法,即在输出层中将一些过去的虚拟节点状态和当前的虚拟节点状态的加权和用于训练输出权重或计算储备池输出（M-output）。在采用M-input、M-output、M-both（M-input和M-output相结合）三种辅助方法之后,对RC系统的MC进行了理论研究。结果表明,采用这三种辅助方法都可以提高系统的MC,其中使用M-both方式可以提高一个数量级。采用这些辅助方法后,Santa Fe时间序列预测任务和非线性信道均衡（Nonlinear Channel Equalization,NCE）任务的处理性能也得到了提高。由于不同的任务对RC的非线性和MC有不同的要求,三种辅助方法对这两种任务有不同的影响。本文讨论了输入层或者输出层引入过去信号数量(即Qin和Qout)对RC系统性能的影响。结果表明:对于预测任务,M-input比其他两种辅助方法更适合,当Qin=7时,最小预测误差可以从0.027降低到0.0034。对于NCE任务,M-both相对更好,当Qin=25和Qout=3时,最低的符号错误率从0.05降低到1.1×10-3。