自适应光学系统中,波前传感器的准确性和鲁棒性极大地影响像差探测能力和校正效果。在波前振幅分布不均匀或信标光能量不足的情况下,哈特曼波前传感器由于存在子孔径缺光现象导致传感精度下降,而无波前传感自适应系统由于收敛速度较慢难以用于实时性要求较高的应用场景。如何实现复杂条件下近实时波前测量是亟待解决的实际问题。基于深度学习的波前传感可以看作一种新型波前测量方法,该方法利用系统中远场光强分布,反演得到近场相位。由于不再需要进行直接波前探测,一方面能够简化系统光路结构,简化自适应控制算法,另一方面能够作为复杂条件下波前测量的补充方法,进一步拓展了自适应光学技术的应用场景。论文以模拟仿真和实验验证为主要研究手段,分别验证了深度学习用于远场光强反演波前相位的有效性。在说明深度学习基本理论的基础上,重点叙述了卷积神经网络结构。其中,重点探讨了残差网络结构,并从理论角度对该网络的图像识别能力进行了分析和推导。阐述了远场光强分布与对应波前畸变之间的非线性关系,理论分析了利用深度学习进行波前反演的方法是可行的。通过构建仿真环境,分析了基于深度学习波前反演方法的波前探测精度和执行效率,重点模拟了振幅不均匀程度、不同像差成分及幅值、噪声等因素的影响,证明了深度学习能够较准确地利用远场图像复原的波前畸变,且具有较好的时效性和鲁棒性。通过搭建实验平台,进一步考察了深度学习的波前相位反演对静态像差的预测和校正能力。经过数据的训练和验证,输入波前畸变的RMS为0.52λ,校正后波前残差的RMS为0.08λ,平均预测时间为1.67ms。结果表明,深度学习波前反演对静态像差具有较好的校正能力,且在时间上具有一定的优势,验证了该模型反演波前相位的有效性。论文以光强分布不均匀或光强较弱条件下的自适应波前探测问题为切入点,提出了采用深度学习方法从远场光强分布反演波前相位的方法,为复杂条件下的波前探测及校正技术研究提供了理论上和实验参考。采用理论分析、数值模拟和实验验证相结合的方式,对基于深度学习的波前相位反演方法进行了研究,验证了方法的可行性,为下一步在人工智能和自适应光学交叉领域开展进一步探索奠定基础。