光学成像技术作为人们认识世界的一种视觉方式,已经成为现代社会科技发展一个重要的方向。随着科技的迅速发展,如何解决复杂场景的散射介质视觉成像和获取有效的信息进行目标重建成为当下研究的热点话题。由于光在传输过程中散射效应是无法避免的,光携带的目标信息会发生畸变,因此,传统的光学成像技术受限,造成成像模糊、散斑等问题。近年来,偏振信息与光的强度、相位、波长这三个基本属性应用的领域越来越广泛。偏振信息已被证明是在散射介质中信息传输强有力的手段,其在遥感、水下成像、生物组织成像等方面发挥着积极的作用。偏振不仅反映着场景中目标的精确信息,同时还体现出散射介质的特征分布。但是,当环境的散射强度增大或者传输距离增加时,基于传统物理的偏振成像方法也是难以获取清晰的目标图像。另一方面,以数据驱动的计算成像成为当下的热点,计算成像能够突破传统成像系统的设备限制和光学极限获取目标信息,实现从物理模型到数据模型的转变从而恢复完整的物体信息。因此,本文主要利用偏振信息和深度学习算法两者的优势,并把它们结合在一起来解决复杂环境中的散射成像问题。论文主要研究内容如下:（1）研究了利用偏振信息重建实际真实环境中目标信息。介绍了数据学习的相关技巧以及卷积神经网络基本理论,设计神经网络模型用于训练;利用基于深度学习的散射成像原理进行目标重建,基于蒙特卡洛算法搭建真实雾霾场景,发射线偏振光获取水平和垂直偏振之差的分量作为散斑学习的样本,然后输入到MU-DL-Net网络中训练出模型,用未经过训练的偏振散斑重建目标;利用峰值信噪比和结构相似性指数作为图像重建评价的指标,观察目标重建的清晰程度;还研究了网络模型的泛化能力,以及不同偏振特性物体的散斑目标重建结果。（2）研究了强度与偏振重建目标对比以及利用不同偏振信息测试偏振模型效果。成像发射自然光接收到强度散斑训练模型,研究强度信息重建目标与偏振信息重建目标的对比,证明偏振信息的有效性;研究了不同偏振光入射得到测试散斑,输入到训练好的偏振模型重建目标,结果表明偏振信息具备鲁棒性。