在天文观测中，光波在传输过程中会受到大气湍流的影响，导致波前畸变，进而引起光强闪烁、光束漂移和光束扩展等现象，严重降低光波信号质量。为使其恢复至理想波前，自适应光学系统（Adaptive Optics, AO）提供了解决方案，AO通过实时测量和校正波前畸变，可以显著提高光学系统的成像分辨率。波前重构作为AO校正的关键环节，如何快速获取高精度的波前畸变并实现精准校正，是提高光束质量的关键。
针对上述问题，本文开展了以下研究：
(1)针对光波在大气传输过程中因湍流效应引发的波前畸变问题。本文基于光波在大气湍流中的传输理论，采用HCIPy程序包构建了大气湍流模型和波前传感器模型，并运用蒙特卡洛数值模拟方法生成了大气相位屏，模拟了大气湍流引起的相位畸变。为后续获取精确的波前畸变信息及波前传感器数据奠定了重要基础。
(2)研究模式法波前重构方法，以夏克-哈特曼波前传感器（Shack-Hartmann Wavefront Sensor, SHWFS）的波前斜率测量原理为基础，设计波前重构系统。通过对不同大气相干长度 0条件下的波前畸变重构精度进行测量，研究发现模式法能够有效重构波前畸变信息。然而，在 0较低（即大气折射率结构常数 2较大）的复杂湍流以及星等较高条件下，模式法的重构精度显著下降，难以满足高精度波前畸变校正的需求。此外，模式法无法解决华夫饼（Waffle）状波前畸变的重构问题，因为华夫饼模式表现为相邻区域的相位相反，导致SHWFS在测量局部斜率时，相邻子透镜区域内的正负斜率相互抵消，使得仅依靠斜率信息进行重构的模式法无法进行有效重构，限制了模式法对高频像差的精确重构能力。
(3)为了充分利用SH-WFS图像中所包含的信息，本文提出了一种基于多特征融合的神经网络波前重构方法Moment-U-Net。该方法在传统波前重构方法使用的质心偏移量的基础上，额外引入了像斑强度和二阶矩特征，用来表征像斑的形状信息，可以对波前进行高精度重建。Moment-U-Net 采用 U-Net 作为主干构架，通过引入了密集连接模块 (DenseBlock) 与通道注意力机制 (SEBlock)，使模型能够在训练过程中有效提取高阶像差特征。该模型利用仿真生成大规模的大气相位屏和波前图像数据进行训练, 具有良好的收敛性。   
通过上述研究取得了以下结果，本文通过仿真生成不同大气相干常数 0、大气折射率结构常数 2、星等和外尺度 0的训练数据集，并利用该数据集对模型进
行训练。其次，初始化网络参数，通过编码器提取像斑数据的多特征信息（斜率、强度、二阶矩），并利用跳跃连接将其与解码器中的对应特征图融合，建立像斑特征与波前畸变之间的非线性映射关系，逐步重构大气相位屏。测试结果表明，在不同大气相干常数（ 0=20.2,14.4,10.1 cm）下，Moment-U-Net的重构均方根误差（RMSE）分别为11±1.7，15±2.6，23±3.6 nm。该方法重构精度显著优于传统模式法以及不包含二阶矩的U-Net方法。且在8星等低信噪比条件下MomentU-Net的重构精度RMSE分别为20.5±3.3，25.8±5.9，33.7±7.6 nm。同样展现出了极高的重构精度。此外在不同外尺度（ 0=20,40,60 m）条件下，Moment-UNet的重构精度均低于15.6±2.9 nm。 
Moment-U-Net与传统模式法相比，Moment-U-Net重构的均方根误差（RMSE）平均降低了75%，与不含二阶矩特征的神经网络方法相比，Moment-U-Net重构的均方根误差（RMSE）降低了13%-24%。此外，通过对1000组数据进行重构速度测试，Moment-U-Net展现出了高效的性能，其平均重构时间仅为8.82 ms 。同时得益于对像斑强度和形状（二阶矩）信息的有效引入，Moment-U-Net能够精确地重构华夫饼模式波前，显著提升了重构的精度与可靠性。