相干光场物像重构一直是成像领域追求的目标。相位信息在相干光场成像中蕴含着丰富的物体结构信息,然而大多数情况下,光场记录过程中的相位信息难以直接记录甚至丢失,这极大地限制了物像重构的数字实现。近年来,深度学习算法发展迅速,广泛应用于诸多领域。深度学习来源于人们对人工智能技术的研究,并且是机器学习中的一个重要分支。随着深度学习算法的不断完善与发展,深度神经网络在解决相干光场物像数字重构方面取得了一定的进展。深度神经网络以其非线性、稳健性以及良好的学习能力等优点,在相干光场成像领域开展了广泛的应用研究。本文采用大量获取的光强图与原始物像作为训练样本,通过深度学习算法学习两者之间的非线性数学映射关系,并利用单幅光强图数据驱动已经训练好的深度神经网络模型实现相干光场物像的数字重构。本文介绍了深度学习探究相干光场物像数字重构的相关物理场景。采用计算光学成像的数值方法生成理想的训练与测试数据集。深度神经网络的模型结构对物像数字重构的结果有着重要的影响,采用卷积残差神经网络,将多层卷积神经网络及其相关操作组合成块状的残差结构,并在残差的跳跃连接结构上采用可训练的卷积层,然后调整神经网络的训练参数,获得了较好的物像数字重构结果。主要研究的工作包括:1,采用不同的离轴菲涅耳数字全息图及其相关的物像训练深度神经网络,分析相同波形记录参考光下不同衍射距离测试集的非线性重构效果,并与传统的频率滤波法和四步相移法作比较。2,采用泽尼克相衬显微光强图及其相关的物像训练深度神经网络,分析其在正负相衬滤波器下的非线性重构效果。3,结论,基于深度学习的相干成像数字重构技术虽然需要采用大量的样本进行训练,但是能使用单幅光强图快速地数字重构物像,且能实现相位补偿,可与传统的方法比拟。