随着光纤通信技术的发展,光通信系统日益增长的传输速率和传输距离限制了系统的可操作性。未来光纤通信网络的透明性,动态特性和灵活性增加了网络管理的复杂性。同时,它也带来了各种类型的光信号损伤,严重影响了信号传输的质量。光学性能监测技术（Optical Performance Monitoring,OPM）的出现为该问题提供了解决方案。但是,传统的OPM技术在同时和独立监测多个参数方面能力有限,因为不同损伤的影响往往是物理上不可分割的。为了消除这一瓶颈,机器学习（Machine Learning,ML）技术被提出作为实现低成本的光网络多损伤监测的替代方案,并已显示出巨大潜力,但仍存在诸多不足,其中最重要的为目前基于ML的光性能监测对参数变化的适应性不足。论文在结合卷积神经网络（Convolutional Neural Network,CNN）和异步延时采样（Asynchronous Delay-Tap Sampling,ADTS）的OPM的基础上,为了改善传统基于卷积神经网络的OPM技术中存在的对色度色散（Chromatic Dispersion,CD）变化的适应性较弱的问题,我们对传统数据集划分加以改进,提出了一种把异步延时采样相图（Asynchronous Delay-Tap Plot,ADTP）数据集按照CD（MAX）进行分类的方法,从而在训练中监测不同CD（MAX）下CNN的性能。并提高了基于ADTP和卷积神经网络的OPM方法对CD变化的适应性,从而达到多参数、实时监测的目的。每个信噪比的ADTP数据集包含不同的CD,测试集的信噪比估计精度按数据集包含的最大CD进行分类,以95%的监测准确率作为参考线,判断监测结果是否可靠。对100 Gb/s的16QAM、8QAM、DQPSK和（NRZ）-OOK四种信号的信噪比进行了监测,发现随着CD（MAX）的增加,信噪比监测精度降低,并根据精度是否达标找到了在当前数据集基础上CD（MAX）的最大值。并将该方法性能与传统基于CNN的OPM性能进行对比。同时,为显示CNN在该领域上的优越性,利用相同数据集与人工神经网络（Artificial Neural Network,ANN）、K近邻（K-Nearest Neighbor,KNN）、支持向量机（Support Vector Machine,SVM）、决策树（Decision Tree）在光信噪比（Optical Signal And Noise Ratio,OSNR）监测准确率上进行比较。结果显示,在基于图像处理的OPM上,CNN具有显著优势。在此基础上,我们利用CNN进行了信号的比特率/调制格式识别（Bit Rate/Modulation Format Identification,BR-MFI）以及100Gb/s情况下的OSNR、CD、差分群延时（Differential Group Delay,DGD）识别。研究表明,CNN对处在适当CD（MAX）内的色散变化具有良好的适应性,并能很好的进行多参数监测。