在光学成像系统中,成像分辨率和视场是一对难以调和的矛盾,而傅里叶叠层成像是一种同时实现高成像分辨率、大视场的计算成像技术。传统傅里叶叠层成像算法重建高质量图像需要采集数量较多的低分辨率图像,导致成像系统的采样效率较低。而且算法的收敛需要经过多次迭代,算法重建速度慢,时间成本高。本文将深度学习中的卷积神经网络与傅里叶叠层成像结合,提出了基于卷积神经网络的重建算法,通过降低重建所需低分辨率图像数量,提高傅里叶叠层成像的采样效率;并且所提出的算法重建速度快,能够提升重建效率。本文的主要研究内容如下:提出了一种基于多尺度特征融合网络的傅里叶叠层成像,将卷积神经网络中的特征金字塔网络与傅里叶叠层成像相结合。特征金字塔网络由编码器和解码器共同构成,编码器部分能从低分辨率图像集中提取成像物体不同频率对应的特征信息,并且引入了稠密连接和通道注意力机制,提升了网络对特征信息的筛选能力。解码器部分通过双三次插值上采样和卷积层,能够将特征图尺寸还原,并对特征信息进行融合。实验表明,与传统的重建算法相比,基于多尺度特征融合网络的傅里叶叠层重建算法不仅重建速度快,而且通过降低孔径重叠率减少了重建所需图像数量,提升了采样效率。并且对高斯噪声有较强的鲁棒性。基于多尺度特征融合网络的傅里叶叠层重建算法,虽然能大幅降低孔径重叠率和采样数量,提升采样效率。但是在宏观傅里叶叠层成像系统中,采样受孔径重叠率的限制,依然需要扫描式采样。因此,对提出的卷积神经网络进一步改进,将原有的卷积神经网络作为生成器,增添两个判别器,生成器与判别器一同构成生成对抗网络。生成对抗网络在频谱面子孔径无重叠率时,仍然能实现对傅里叶叠层成像的重建,且双判别器的使用有效提升了重建的质量。通过仿真数据和实际数据的实验表明,利用卷积神经网络实现孔径无交叠的快速傅里叶叠层成像是可行的。