如今,光网络作为提供低时延大容量传输能力的重要基础设施,结合数据中心提供的计算和存储能力,承载了海量的异构数据。而人工智能技术（Artificial Intelligence,AI）凭借其强大的数据分析能力,被视为实现光网络自动控制和故障定位最有前途的方法之一。在光网络中人工智能技术的部署方面,现有的研究存在以下不足:在传统的云计算范式下,原始数据需要汇聚到中心云节点之后进行处理,难以满足某些低时延业务的需求,同时加重了网络带宽的负载;而在光网络中人工智能技术的应用上,虽然较多研究证明了 AI在光学性能检测和决策管理上的优势,但很少有研究提出利用AI技术提升物理层的安全性。本文的主要内容和成果包括以下两点:（1）提出一种面向人工智能推理业务的光网络模型部署和资源分配机制。针对人工智能在光网络中的部署来满足低时延AI推理业务的问题,本文设计了一种基于边缘计算的深度神经网络（Deep Neural Network,DNN）模型按需提供策略。首先,分析网络中的边缘和云节点中的计算资源、网络带宽资源以及业务所需的DNN模型特性,建立了成本模型和时延模型。然后综合考虑网络中的计算、带宽资源,提出一种启发式算法,在边缘和云节点之间进行灵活的切分DNN,达到满足时延约束需求下的负载均衡。最后,仿真结果表明,本文提出的算法提高了低时延DNN推理业务的成功率,同时有效降低了整个网络的带宽负载,以及云节点的计算负载。（2）提出一种基于人工智能的光纤窃听检测方案。针对光网络物理层安全中的光纤窃听问题,本文提出了一种基于深度学习的光纤窃听检测方案。首先,通过分光模拟窃听,并收集光纤信号在不同分光比例下的眼图,经过预处理整理成训练集。其次,建立卷积神经网络（Convolutional Neural Network,CNN）模型,然后训练其对不同分光比例下的眼图识别。最后,实验验证方案的可行性和准确率。实验结果表明,该方案在较低的窃听分光比的情况下,依然能保证较高的窃听行为识别率。