相位解缠是InSAR（Interferometric Synthetic Aperture Radar）技术的关键步骤,相位解缠算法的性能直接影响数字高程模型的精确度。近年来深度神经网络技术获得了快速发展,神经网络算法具有良好的鲁棒性和抗噪性,本论文主要研究如何将神经网络运用到相位解缠计算中,提高相位解缠的精度和抗噪性能。论文涉及神经网络和InSAR相位解缠两个领域,所以首先介绍了InSAR的技术原理以及数据处理过程,分析了传统相位解缠算法的原理,接着介绍了神经网络常用计算层原理和训练过程。在此基础上设计了用于端到端相位解缠的神经网络结构;设计了两种用于计算相位模糊度梯度的神经网络,并结合L1范数优化完成相位解缠计算;最后研究了神经网络的加速计算方法。本论文主要研究工作如下:（1）设计了一种用于端到端相位解缠的神经网络,通过在网络中加入SENet（Squeeze-and-Excitation Networks）模块使网络可以注意较重要特征,提高网络计算解缠相位的精度。经过实验测试,在信噪比为0d B情况下依然可以精确计算解缠相位,并且计算时间短于其他解缠算法。（2）针对基于神经网络与L1范数优化相结合的算法分别设计了FGANet（Combining Feature Pyramid Attention and Global Attention Upsample Net）和Res DANet（Residual and Double Attention Net）网络来计算相位模糊度梯度。FGANet使用金字塔注意力机制和全局注意力上采样机制提高网络计算的准确性,并且通过空洞卷积来提取不同尺度的空间特征,有效减少了网络参数量。Res DANet结合了残差结构、跳跃连接结构以及两种注意力机制,通过残差结构进行下采样不断提取空间特征并防止出现由于网络加深导致的网络退化问题,通过两种注意力机制提高网络计算的准确性,通过跳跃连接结构将下采样获得的特征直接送入对应的上采样模块,加强特征融合。网络计算结果经过L1范数优化后得到相位解缠结果。经过实验测试,FGANet和Res DANet均取得了较高的相位解缠精度,具有良好的泛化性和抗噪性能,在信噪比为0d B的情况下依然可以准确计算解缠相位,较好的平衡了计算时间和计算精度,具有一定的实用价值。（3）研究了本论文设计的两种神经网络的加速计算方法,使用Tensor RT库对本论文设计的神经网络做了优化,经过实验验证,在未损失精度的情况下取得了数倍的加速计算效果。