激光作为20世纪最伟大的发明之一,凭借单色性、相干性、方向性等传统光源无法实现的技术优势,已经应用于诸多领域,如光纤通信、光纤传感、全光信息处理、光存储、激光加工、激光手术、光刻技术、激光雷达以及激光武器等。高精度激光分束技术是激光加工、光刻、光镊以及激光手术等先进制造与医疗领域的共性关键技术,也是当前激光应用技术的发展前沿。现有高精度激光分束技术主要用于实现均匀光强分布的双光束,任意空间分布与任意光强分布的激光分束技术还不够成熟,无法满足激光精密加工、光刻、光镊与激光医疗中的多光束同时精密作业的需求。目前任意光束激光分束技术的瓶颈限制问题是激光分束的精度受诸多因素的复杂影响,使其在实际应用中难以满足对激光分束精度的要求。本课题研究工作将机器学习引入基于空间光调制器（Spatial Light Modulator,SLM）的激光分束技术,基于监督学习的回归任务实现高精度任意多束激光分束。SLM加载由迭代傅里叶变换算法（Iterative Fourier Transform Algorithm,IFTA）计算得到的相位全息图,实现对入射光束的调制,从而输出任意空间分布与光强分布的多光束。对基于SLM的激光分束技术开展了数值仿真与实验研究,将激光分束后的相机探测图像作为样本,将分束目标图像作为标记,采用数值仿真与实验数据构建了数据集,基于卷积神经网络（Convolutional Neural Network,CNN）算法通过监督学习回归任务建立了分束目标图像与探测结果图像之间的映射关系,实现对IFTA振幅分布的准确预测,有效提升任意多光束分束的精度。本文主要研究工作如下:（1）基于SLM与IFTA,开展了多光束激光分束数值仿真与实验研究。搭建了基于数学变换过程的激光分束数值仿真模型,实现对激光分束的数值仿真模拟;开展了激光分束技术实验研究,以相位全息图作为控制信号加载至SLM,基于图形用户界面（Graphical User Interface,GUI）实现了大量分束目标图像与探测结果图像数据的自动采集。（2）利用数值仿真数据与实验数据,基于求和寻峰法,提取了图像中的各光束截面数据,分别构建了监督学习所需的数据集,共收集1000组样本及标记,随机生成训练集与测试集,其中,800组构建训练集,200组构建测试集。（3）搭建反向CNN,将相机探测图像作为样本,分束目标图像作为标记,通过监督学习回归任务建立了分束目标图像与探测结果图像的映射关系,实现对IFTA输入振幅分布的预测,有效提升任意多光束分束的精度。采用多层卷积层网络结构,采用MAPE（Mean Absolute Percentage Error）、MSE（Mean Square Error）等作为训练过程的loss函数,完成了学习任务的性能度量。（4）对预测结果进行验证,基于正向CNN监督学习回归任务与实际实验研究实现了验证,收集预测的分束目标图像对应的新的探测结果图像。实验结果表明:基于机器学习的分束误差显著减小,MSE减小了37%,有效提升了激光分束精度。本文工作对于任意多光束激光分束技术的发展以及人工智能在激光领域的交叉研究具有重要的理论指导与技术参考价值。