同轴数字全息技术是利用光电传感器(Charge-coupled device,CCD)记录干涉频谱，再通过计算机模拟光学衍射过程来实现物体的再现。由于同轴全息物光与参考光同路，导致再现过程中出现共轭像与原始像叠加。该文主要围绕基于深度学习的同轴数字全息共轭像去除方法进行研究，具体研究内容如下：
　　首先，为学习通道之间的相互依赖性进行建模来自适应地重新缩放每个通道的特征，提出了一种卷积通道注意力网络，在网络的卷积层后面加入通道注意力机制，可以对卷积层输出的通道特征引起特定的关注，更专注于有用的特征，来增强网络的判别学习能力。实验结果表明，加入注意力机制的网络具有更好的去除共轭像的效果。
　　其次，为了进一步提高网络的性能，恢复出图像的纹理细节，提出了一种基于不同损失函数的多尺度残差网络，对输入图像进行不同采样率的多尺度分解，接着每个分支进入残差块中进行特征提取后，再分别进行各自的上采样操作，最后，进行多尺度的特征融合。同时在网络训练时加入全变差(Total Variation,TV)损失和感知损失，使网络得以优化。实验证明，通过多种损失函数优化的网络结构达到了一定的预期效果。
　　最后，为了更好的去除同轴全息重构中的共轭像，提出了沙漏记忆网络。图像每次下采样之前为了防止原尺度信息的丢失，都会分出上半支路保存原尺度图像特征以保留原尺度信息的记忆，然后再与上采样后的高分辨率图像进行信息融合，而且每次提取特征信息都是选用残差块学习，保留了原有层次的信息，不改变数据尺寸。实验证明该方法可以有效的去除共轭像，并且优于对比方法。