鉴于空间光通信中大气湍流造成的光斑漂移和光场畸变,本文用光子流模型描述CMOS上的光场分布与变化,来预测光斑质心的位置;用流体屏模型描述大气湍流造成的起伏效应,从而分析与预测光场分布。在理论上,大气湍流中光斑形状与光场分布的复杂性源于湍流介质的复杂性。依靠光子流模型与深度学习,光斑质心的预测可以充分利用湍流中光场的时间相关性。流体屏模型的建立,使得大气信道这一典型的开放式随机系统被压缩至半封闭的二维流体系统,从而将传统的统计光学问题转化为定量流场预测和经典光学相结合的问题。流场的复杂性源于流体微团间的相互作用,本文着重分析了流体粘性和光场空间关联性之间的密切联系,并给出了依靠流场方程和傅里叶光学预测光场的模型。而传统的大气光学方法依然为二维流体屏提供随机边界条件,从而将定量预测和统计分析的方法结合在一起。在应用上,本文充分使用了深度学习方法,根据湍流中光场传播分析与预测的实践需求,开发了新的神经网络模型以处理大量高阶张量。并且依靠流体屏模型与深度学习方法,提出了毋须依赖波前传感器的湍流光场分析与预测方法,为简化基于主动校正的自适应光学系统提供了较完整的理论模型和有重要价值的实验方法。在本文的研究中,深度学习网络是一个功能强大的拟合器,物理模型则为深度学习提供合理的约束。按照这个原则,提出并搭建了深度学习神经网络模型,使其强大的非线性拟合能力得以发挥,从而揭示物理系统的本质与内涵,并发挥其分析与预测功能。本文研究的目的,是建立自洽的物理模型,并应用深度学习方法提出应用于描述激光大气传输的可靠模型,以预测光斑质心位置和分析并预测光场分布,并展开实验进行验证,最终实现对大气扰动的有效抑制。本文研究的两个主要问题是（1）基于深度学习的光斑质心位置预测模型。使用相对简单的物理模型和深度学习神经网络架构预测光斑质心的坐标。基本方法为:以光斑图片组成的时序信号为输入,将计算机视觉和深度学习相结合,利用图片信息数据生成物理信息矩阵,并用卷积神经网络从物理信息矩阵中提取包含位置与运动信息的特征向量。再将该特征向量组成的时序信号输入长短期记忆神经网络,根据需要对未来时刻光斑质心的位置进行预测。这样可以充分利用大气湍流及其中光场的时间关联性来预测未来时刻光斑质心的位置,为空间光通信中的跟踪瞄准提供依据。并展开了相关实验对光斑质心的预测模型进行验证。（2）基于深度学习对光场分布进行分析与预测的模型。使用相对复杂的物理模型和深度学习神经网络架构来分析和预测光场强度分布和相位分布,并给出与湍流相关的丰富信息。基本方法为:将大气湍流效应压缩于一个足够薄的二维流体屏。仍以光斑图片为输入,用卷积神经网络处理光斑图片,拟合当前流体屏的密度分布,以得到流体屏密度分布的初始值;用新开发的长短期记忆神经网路处理高阶张量构成的时序信号,估计当前流体屏速度分布,以得到流体屏速度分布的初始值。然后利用计算流体力学对未来时刻流体屏的密度与速度进行预测。在此过程中,用一个小型的神经网络来处理流体屏的速度梯度,以得到流体屏的粘性应力矩阵。流体屏包含了大气湍流密度、速度、折射率等等诸多分布与动态信息。在预测流体屏未来状态之后,再通过简单的计算光学方法预测未来时刻的光场。这为预测光场的波前畸变提供了新的理论模型和实验方法,可以有效简化主动自适应校正光学系统。并展开相关实验对光场相位的预测模型进行了验证。