通过计算机模拟光波的干涉、衍射过程得到的全息图被称为计算全息图,其不仅可以完整记录和再现光波的振幅和相位,而且还具有低噪声和高再现性的优点。与传统的光学全息相比,它还可以生成虚拟物体的全息图。由于相位调制的光学效率较高,在大多数情况下,纯相位型全息图是全息显示的一个更好的选择。然而,传统的基于迭代优化的相位型全息图生成算法在计算速度和图像精度之间的内在的权衡限制了计算全息图在实时显示方面的应用。近年来,深度学习逐渐成为计算全息和其他光学成像应用的有利工具,在快速处理光学信息的问题中提供了新的选择。本文展开对基于深度学习的计算全息算法进行研究和实验。本文的主要研究工作内容如下:（1）构建了加入残差块的卷积神经网络模型,用于纯相位计算全息图的生成,其通过对输入图像进行采样和特征抓取,并经过9个残差模块防止网络过拟合,增加网络对特征的识别,提高网络的训练能力,减少了计算时间成本。并针对训练内容设计了能有效表示图像特征的损失函数,使得网络在迭代之后收敛,完成网络的训练,完成训练的网络生成全息图的时间仅需0.1889s,在生成速度上比传统迭代角谱法算法快一个数量级,改善了内在权衡问题所带来的影响。（2）针对二维、三维和彩色图像,构建相应的网络输入模块,并对以上三类图像的数据集进行了设计制作。在迭代角谱法计算标签数据（真值全息图）的过程中设计引入了动态加权调整因子,使得再现图像质量在迭代过程中不断调整优化。通过利用中间值的思路,将复杂的全息面复振幅转换为对应关系更清晰、复杂度更低的实部和虚部两个输出部分,使得网络更易于训练输入与输出间的映射关系,最终得到的全息面复振幅的实部与虚部的训练结果可以通过数学计算生成相位全息图。将数据集中的输入数据（目标图像）设计为包括稀疏散点、密集散点、大直径圆和随机尺寸矩形块等四种类型共10000组,为网络的泛化性提供了数据保证。（3）进行了数值再现和光电再现实验,对全息图的成像质量进行分析。通过均方根误差、峰值信噪比,相关系数等评价指标进行评价分析,验证本研究方法的有效性。构建了以纯相位型液晶空间光调制器为核心的光电全息再现实验系统,对二维、三维和彩色图像的全息图分别进行光电再现实验,得到光电再现实验结果,对本文研究方法进行实验验证。