近年来,随着云计算技术的普及,硬件虚拟化、电子商务、内容分发网络等云端业务加速了数据中心对网络带宽的需求。相关数据显示,数据中心间短距离通信流量已经成为当前通信网络流量的主导,在短距离光互联系统中,基于PAM4调制技术的强度调制直接检测（IM/DD）系统由于其成本低廉和低功耗等特性成为主流的选择。在IM/DD PAM4短距离光互联系统中,通信信号的损伤主要来自光纤信道的色散效应。色散效应本属于线性信号损伤,可通过数字信号处理技术恢复。但是在IM/DD系统中,由于光电探测器（PD）器件的平方律检测和色散效应的相互作用会进一步导致信号的非线性损伤。传统的线性均衡算法只能恢复线性信号损伤,而对于非线性信号损伤,非线性滤波器的均衡能力有限。目前基于神经网络的深度学习技术,相比于传统的线性、非线性均衡算法有更强的非线性表达能力,在许多场景已被证明具有更加优异的信号均衡性能。深度学习通常需要大量的训练数据以表现良好的泛化性能,而大量的训练数据又会极大的提高神经网络的训练成本。本文探究了对偶学习技术在IM/DD短距离光互联系统中信号均衡方面的应用。本文首先分析了色散在不同传输距离和符号速率下对信号质量的影响,并通过仿真的方式验证了IM/DD PAM4系统中传输信号的损伤机理。基于仿真实验,我们提出了基于对偶学习的PAM4信号均衡算法。区别于传统基于神经网络的均衡器,基于对偶学习的神经网络均衡器利用了对偶一致性原理来提高均衡器模型的泛化性能,可以减小对数据集规模的依赖。我们分析和对比了传统均衡算法及基于神经网络的均衡算法在不同传输场景下的性能差异,同时验证了在相同训练集规模的条件下本文所提出的基于对偶学习的神经网络均衡器性能要优于传统线性与非线性均衡器。此外我们还通过仿真对比了在不同规模训练集与不同神经网络输入维度条件下对偶学习模型与传统神经网络模型的均衡性能,解释了神经网络算法在信号均衡任务中泛化性与训练成本的矛盾及对偶学习能够提高神经网络均衡性能的原因。最后我们通过实验证明了基于对偶学习的神经网络均衡器明显优于传统均衡器模型,同时在小训练集的场合下,基于对偶学习方法的神经网络模型性能优于传统神经网络均衡模型,提高了短距离光互联系统的容量。