数字全息显微术是一种通过光的干涉记录物体波前并通过数值计算的方法在计算机中再现物体波前的定量相位测量技术,因其无需接触样品、重建速度快、测量精度高等优点,被广泛应用于细胞观测、表面形貌测量以及流体分析等领域。在数字全息显微术中,由“离轴光路结构”和“显微物镜”引入的相位畸变是影响其相位测量精度的重要因素,因而,“如何进行相位畸变补偿”也成为了数字全息显微术研究领域的一个重要而持久的话题。本文首先回顾了数字全息显微术的发展历程及其在国内外的研究现状,并对数字全息显微术中相关的波前记录原理、数值再现原理、相位重建原理和相位畸变的产生及其补偿方法进行了介绍。围绕数字全息术中的相位畸变补偿问题,本论文提出了一种基于背景分割与矩阵恢复的相位畸变补偿方法。同时,通过基于深度学习的背景分割方法实现了自动化的相位畸变补偿。论文的核心内容及创新点可概括为以下两个方面:（1）探究了相位畸变分布的低秩性,并提出了一种基于背景分割与矩阵恢复的相位畸变补偿方法,通过对全息图物光波场分布的背景区域进行分割,避免了物体的相位信息对低秩矩阵恢复过程的干扰,一定程度上解决了较大目标物测量下的相位畸变补偿问题,数值模拟实验和光学实验均证明了该方法的有效性。（2）进一步地,设计了一个神经网络,实现了全息图背景分割的自动化。此外,提出了一种通过频域融合的方法制备模拟全息图训练集的方法,该训练集中的全息图具有真实全息图相似的背景噪声分布,从而实现了全息图训练集的数据增强。结合（1）中所提出的相位畸变补偿方法与所设计的神经网络,实现了数字全息显微成像系统的自动化的相位畸变补偿。