Kürzlich haben optische Neuronale Netze (ONNs), die in Photonischen Chips integriert sind, aufgrund ihrer erwarteten Fähigkeit, Mustererkennungsaufgaben mit hoher Effizienz und geringem Energieverbrauch wie in elektronischen Plattformen zu lösen, große Aufmerksamkeit gefunden. Derzeit behindert jedoch der Mangel an verschiedenen Lernalgorithmen zur Ausbildung der ONNs ihre weitere Entwicklung. In diesem Artikel schlagen wir eine neuartige Lernstrategie vor, die auf Neuroevolution basiert, um die ONNs zu entwerfen und auszubilden. Zwei typische Neuroevolutionsalgorithmen werden verwendet, um die Hyperparameter der ONNs zu bestimmen und die Gewichte (Phasenverschieber) in den Verbindungen zu optimieren. Um die Wirksamkeit der Trainingsalgorithmen zu demonstrieren, werden die ausgebildeten ONNs in Klassifizierungsaufgaben für den Iris-Blumen-Datensatz, den Wein-Erkennungs-Datensatz und die Erkennung von Modulationsformaten angewendet. Die berechneten Ergebnisse zeigen, dass die auf Neuroevolution basierenden Trainingsalgorithmen sowohl hinsichtlich Genauigkeit als auch Stabilität mit anderen traditionellen Lernalgorithmen mithalten können. Verglichen mit früheren Arbeiten führen wir eine effiziente Trainingsmethode für ONNs ein und demonstrieren deren weitreichende Anwendungsmöglichkeiten in der Mustererkennung, dem Reinforcement Learning und anderen Bereichen.