徐中炜，许灿华，马靖

（福州大学 物理与信息工程学院，福建 福州 350108)

摘要：为推动深度学习技术与大学物理实验教学的深度融合，本文以牛顿环实验为研究载体，提出基于卷积神经网络的图像处理方法，可端到端自动提取干涉图样的核心参数，包括曲率半径、光源波长及劈尖折射率. 该方法抗干扰能力强，在噪声环境下仍可将测量误差控制在0.1%以内，具备优异的测量精度、鲁棒性与工程实用性. 依托上述研究成果，本文面向高校大学物理实验课程构建了2套适配新工科建设理念的教学方案，通过个性化实验设计、学科交叉实践与竞赛赋能机制，有效提升了学生的跨学科思维、实践创新能力与工程综合素养.

关键词：牛顿环；深度学习；神经网络

引文格式：徐中炜，许灿华，马靖. 深度学习驱动的牛顿环高精度解析与教学创新［J］. 物理实验，2026,46（6）：15-22.

Cite this article:  Xu Z W, Xu C H, Ma J. High-precision analysis and teaching innovation of Newton’s rings driven by deep learning ［J］. Physics Experimentation, 2026,46（6）：15-22. (in Chinese)