本发明提供一种基于迁移学习的光非线性均衡方法，通过迁移学习将训练好的初始化神经网络参数迁移至各个信道的神经网络中，辅助各个信道快速的建立其神经网络均衡器，从而实现快速的建模，降低资源开销，如更少的新的训练数据，更少的迭代补偿。同时，一旦信道状态发生变化，如光功率、传输距离等发生变化，非线性相位噪声相应改变，此时，如果各个信道分别进行再训练也将对应着巨大的开销。此时，通过初始化神经网络参数的迁移，再补充少量新的数据，实现快速的神经网络重新建模，再将更新的参数迁移至各个信道下进行更新，这将提高对信道变化的响应能力。本发明提高了不同信道下的非线性均衡效率，保持对光纤非线性较高的容忍性。