随着现代生命科学迅速发展,人们对微观的生命活动的认知和研究愈发深入,为了更好地对生物组织、细胞、分子等微观生物样品进行观测,研究人员对具有分辨率高、检测速度快、同时对生物样品无损伤的成像技术的需求愈发强烈。近年来,人工智能的快速发展为定量相位成像提供了全新的思路和技术手段。基于深度学习的相位重构技术可以从一张全息图中快速准确地重建相位,实现动态相位重构,避免了机械误差和不必要的噪声的引入。但是在实际应用中,数据集的获取困难,深度学习网络泛化能力差等问题,很大程度上限制了深度学习在定量相位成像中的进一步应用。针对上述问题,本文提出了一种数据驱动的定量相位成像方法,它使用一个面向相位成像的生成对抗网络PI-GAN（Phase Imaging Generative Adversarial Network）,从大规模高质量的仿真数据集中进行训练,并使用迁移学习实现泛化能力和精度的平衡,最终实现从一幅干涉条纹图中对生物样品进行快速准确的定量相位成像,为实现基于深度学习的定量相位成像提供重要的技术借鉴。主要研究内容和取得的研究成果包括以下几个方面:1、研究了用于定量相位成像的深度学习算法,提出使用仿真干涉图训练,在实验干涉图上验证,并通过迁移学习提高泛化能力的思路,解决数据集的获取困难问题,也提高了数据集的多样性和标签质量,明显增强了神经网络的泛化能力。2、研究了同轴全息相位成像原理,提出一种根据傅里叶级数展开的原理仿真相位物体,并从实验干涉图中提取先验参数提升仿真干涉条纹图质量的数据集制作方法,最终得到大规模高质量的仿真数据集,将其用于对神经网络的训练。3、提出了用于定量相位成像的生成对抗网络架构PI-GAN,并对其进行网络搭建、使用仿真数据集进行训练,在实验干涉图上进行了测试和评估,并将PIGAN与传统的定量相位成像方法进行了对比,实验结果表明,PI-GAN可以快速准确地从一幅干涉条纹图中对生物样品进行定量相位成像。