本文综述了**深度学习（DL）在水下无线光通信（UWOC）领域的研究进展**，旨在解决复杂水下信道（吸收、散射、湍流等）导致传统通信方法性能受限的问题。DL凭借强大的非线性拟合与数据驱动优势，为UWOC的物理层及网络层优化提供了全新范式。

以下是该论文的核心内容简要总结：

**1. DL赋能UWOC的理论机制**

*   **突破传统瓶颈**：传统方法依赖理想线性假设或精确先验模型，在强湍流等动态场景易失效。DL能直接从数据中学习高维特征，有效补偿非线性畸变并捕捉信道的长记忆效应。

*   **全流程介入**：DL可灵活应用于发射端配置优化、信道状态感知以及接收端的信道估计、均衡、检测与识别，支持打破传统模块化设计的端到端全局优化。

**2. 五大关键技术方向应用进展**

*   **信道估计**：利用BiLSTM、自注意力机制等实现低导频开销下的高精度估计；引入机器视觉实现非接触式智能湍流感知；利用元学习解决动态未知水体的快速适配问题。

*   **信号检测**：通过DNN拟合非线性映射克服强湍流与硬件（如SPAD）失真；针对资源受限节点开发轻量化网络（如GK-DNN、MLP）；采用端到端架构应对导频受限与无循环前缀（CP）的极端场景。

*   **调制格式识别（MFR）**：结合坐标变换与时序建模（如BiGRU）抑制相位抖动；利用知识蒸馏与储备池计算实现超低算力下的轻量化识别；引入时频融合Transformer提升多场景泛化能力。

*   **OAM模态识别**：利用多维特征融合CNN、全光学衍射神经网络（DDNN，实现光速推理）及轻量化MobileNet，有效克服水下湍流导致的波前畸变与模态串扰，支持叠加态与小样本识别。

*   **组网优化**：采用深度强化学习（DRL）实现多AUV协作的动态链路维持；引入YOLO等计算机视觉算法提升快速捕获对准跟踪（APT）系统的精度与速度；利用DDNN实现大视场光信号聚焦接收，大幅降低对准要求。

**3. 面临挑战与未来展望**

*   **模型轻量化与边缘部署**：需通过网络剪枝、量化及神经架构搜索，满足水下节点（如AUV、海底传感器）严苛的算力与功耗约束。

*   **物理信息融合（PINN）**：将光学传播机理（如辐射传输方程）作为硬约束嵌入神经网络，提升模型的物理可解释性与极端未见场景的外推能力。

*   **数字孪生与数据生态**：构建多物理场耦合的数字孪生平台与标准化开源数据集，解决真实海试数据匮乏、场景覆盖单一的难题。

*   **语义通信与跨层协同**：探索端到端语义编码以提升受限带宽下的有效信息传输效率，并实现物理层至应用层的跨层智能资源调度。

**4. 研究结论**

DL的引入为UWOC带来了从“依赖物理解析模型”向“数据驱动与机理融合”的变革。未来，随着轻量化部署、物理信息融合及数字孪生等技术的深化，DL赋能的下一代智能UWOC系统将为海洋观测、资源开发及跨介质通信提供更高效、鲁棒的支撑。