随着互联网、物联网的日益普及以及各种网络技术和在线应用的提出和使用,对网络带宽的需求越来越大,未来对数字信息的需求将超过目前光通信系统的最大能力。这对作为骨干网的光纤传输技术提出巨大挑战。一方面要保证高可靠,另一方面又要保证大容量。为了平衡这两点,必须利用适合的光学性能监测（Optical Performance Monitoring,OPM）技术对光纤传输物理层参数进行监控,以实现资源的灵活调配和提前进行异常诊断。传统的OPM技术在目前的需求下越来越难以满足需求,这就促使人们寻找新的技术以支撑OPM。人工智能（Artificial Intelligence,AI）技术拥有着一流的函数拟合和参数预测的能力,利用AI技术有望找到利用现有资源的新方法,在更大、更复杂的光通信系统中应对未来的挑战。在科研工作者的努力下,成功将OPM技术和AI相结合,这两者的结合使得OPM突破了传统技术壁垒,不仅可以实现高精度参数预测,还可以同时实现多参数联合预测。多级级联网络、多任务学习（Multi-Task Learning,MTL）网络便是人们首先用于多参数联合监测的选择。人工特征提取与多参数监测网络相结合的方法可以实现多参数监测,而且通常不需要额外的硬件设施,这在一定程度上减小了参数监测成本,将会逐渐成为参数监测的首要选择。相干光通信利用光的幅度、相位和偏振态信息,利用相干探测的方法,相干接收机有着极高的灵敏度,使得信号可以传输极远的距离。为了探索深度学习在相干光通信中的应用,本文针对相干光通信系统中的调制格式识别（Modulation Format Identification,MFI）技术和光信噪比（Optical Signal to Noise Ratio,OSNR）估计技术进行了基于深度学习的二参数联合监测方法的改善和研究,并通过仿真和实验对级联网络及其改进方案进行讨论。改进方案从两个角度切入,其一是通过对级联网络引入异常监测算法以减小级联网络的误差传递,从而提高级联网络的监测精度;其二是利用迁移学习（Transfer Learning,TL）简化多级级联网络的复杂架构,使级联网络在结构简化的同时又不损失精度。这两种方法经过验证都可以在一定程度上克服级联结构的缺点,使级联结构精度更高,结构更简单。为了说明改进的级联结构是有效结构,还使用了自适应多任务学习和传统级联结构的方法进行参数监测用以对比说明。