连续太赫兹同轴全息成像系统具有结构简单、对非极性非金属物体穿透能力好等优点,因此在安全检测等方面具有较广的应用空间。但由于信号源能量低、面阵探测器响应率和分辨率低且受到噪声干扰,所成图像的质量难以提升。本论文将2.52太赫兹同轴全息再现像作为研究对象,利用深度学习算法,从图像去噪、超分辨率的两个领域进行了相关研究。为了对2.52太赫兹同轴全息再现像的噪声进行有效去除,本论文基于Dn CNN模型的深度神经网络,在真实太赫兹同轴全息再现像的训练样本缺少的条件下,采用仿真噪声训练集对深度神经网络进行训练。通过优化网络的相关重要超参数,得到最佳的网络模型。利用该网络对2.52太赫兹同轴全息再现像进行去噪,其结果与NLM、BM3D等经典图像去噪算法对比分析,主客观指标均得到较好提升。2.52太赫兹同轴全息再现像的超分辨率研究基于Dense Net模型构建深度学习超分辨率网络,通过利用经降采样处理的标准训练集对深度网络进行训练,并对网络的相关超参数进行优化,得到最适合超分辨率网络模型。对2.52太赫兹同轴全息再现像应用训练后的模型,其结果在与稀疏字典、锚定邻域回归等经典超分辨率算法的对比中,在主观和客观指标上均得到了有效提升。最后,结合上述对于2.52太赫兹同轴全息再现像的图像去噪及超分辨率研究,综合残差学习和亚像素卷积的特点,设计了一种超分辨率协同去噪的深度神经网络。利用经降采样处理并添加了仿真噪声的仿真训练集对网络进行训练,并优化相关的网络超参数,得到最佳的超分辨率协同去噪网络。将其应用于2.52太赫兹同轴全息再现像,在实现较好的超分辨率和去噪效果的同时,相比分步算法进一步提升了算法的效率。