随着大数据，云计算和人工智能等新兴领域的出现，传统的通信方式所提供的信道容量具有很大的局限性。为了提高通信系统的信道容量，携带轨道角动量(OAM) 的涡旋光束以一种新的复用方式出现，可以从根源上解决复用通信中的速率和信道容量问题。为了实现轨道角动量复用通信，需要突破的关键技术之一就是接收端涡旋光束OAM 的探测。印建平小组提出并产生了一种具有混合角动量的光束，横截面光强度分布具有明显的OAM识别特征，提高了OAM 识别的准确性。基于这种混合角动量的光束，利用改进AlexNet 架构的卷积神经网络(CNN) 的机器学习方案实现了基于花瓣干涉模式的光OAM 的高精度识别。研究了训练样本分辨率和数量与训练时间和识别准确率的关系。研究了识别准确率与OAM 量子数l，螺旋相位占整个混合相位的角动量比例n，和传播距离z 的关系。研究表明，当量子数l范围从1 到10，和n 变化从0.02 到0.99 时，OAM 识别准确率接近100%。在OAM 模式下识别出的最小角动量比例n 的间为0.01。这些特点表明了这种混合角动量光束具有超高带宽，在下一代基于CNN 的OAM 光通信中具有巨大的应用潜力。研究