关联成像,又称鬼成像或双光子成像,是一种基于光场的量子纠缠或强度相关性的间接成像技术。与传统的光学成像技术不同的是,热光鬼成像的成像过程不需要成像透镜,只需要两束光束,其中一束叫做信号光束,另一束叫做参考光束。前者通过随机掩模（正在旋转的毛玻璃）后将散斑场照射到物体上之后,通过一个不具有空间分辨能力的桶探测器来收集物体反射或透射的信号,而后者则被一个具有空间分辨能力的探测器所收集,我们再将两个探测器中所探测到的信号进行关联计算,便可得到物体的像。因此,鬼成像具有极强的穿透力和抗大气湍流干扰的能力,在军事、探测、搜救、医疗等多个领域都具有十分广阔的应用前景。然而,与传统光学成像技术相比,鬼成像需要经过大量的采样才能得到高质量的图像。因此,如何在采样数有限的情况下还能得到清晰的图像成为鬼成像在实际生活应用中的一个难题。通过压缩感知算法虽然可以极大程度的降低采样率,从而减少成像时间,但它仍然需要较长的信号处理时间,最终导致成像速度依然较慢。因此,在本文中,我们提出了一种在低采样率下利用深度学习算法实现重构高质量图像的方案。该方案是基于传统鬼成像的实验装置利用残差卷积神经网络来提高成像的速度和质量。首先,用传统鬼成像的关联算法对传统鬼成像实验装置采集的数据进行关联计算,然后对处理后的数据进行训练。在反复训练的过程中我们可以得到具有该数据库所有图像特征的模型,再对未经过训练的图像进行重构,使得该网络能够从新的测试图像中重构出低噪声的图像。通过一系列的推导假设和实验数据表明,该方案极大程度的提升了数据的收集和处理效率,当采样数不足,特别是在低采样率时,该方案的成像速度远远快于传统方案,其速度约为传统关联成像的四十倍,是伪逆算法的一百倍,并且在保证成像速度的同时生成图像的质量也远远优于传统关联成像算法和压缩感知算法。此外,我们还发现该方案也具有较强的普适性,当采样数为一百时重构的图片准确率能够达到百分之九十以上,并且在重构一些书写杂乱的数字和不包含在训练模型中的手写字母图像时也有较好的效果,使得该方案在实际应用中具有重要的潜力。