太赫兹成像技术是利用频率为0.1-10 THz之间的电磁辐射对目标进行二维成像的技术。由于太赫兹波具有光子能量低、穿透性和光谱分辨能力的优势,太赫兹成像技术被广泛应用于安防检测、生物医学、产品质检等领域。不同于可见光领域,目前成熟商用的太赫兹相机或者面阵探测器较难获得,大大制约了太赫兹成像技术的实际推广。得益于单像素成像技术发展,太赫兹单像素成像利用太赫兹单点探测器和成像算法即可实现二维成像,降低了系统成本。但太赫兹单像素成像仍然存在成像时间长和成像质量差的问题,而单纯地缩短编码掩膜的成像时间一定会导致图像的恶化。目前,深度学习算法方兴未艾,被广泛应用于图像处理、语音识别和目标检测等领域,深度学习网络在太赫兹单像素成像中研究较少,因此如何利用深度学习解决上述问题有着重要意义。针对上述问题,本论文设计了两个神经网络用于太赫兹单像素成像,提升成像质量,缩短成像时间,主要的创新性研究工作包括:1、针对太赫兹单像素成像质量和成像时间矛盾的问题,提出了一种残差双通道密集网络（residual dual-path dense network,RDPDN）提升太赫兹单像素成像效率。通过在光学图片中加入不同程度的噪声来模拟获取的原始图像,并利用现有的经典图像增强网络和RDPDN训练图片来验证网络去噪的鲁棒性。仿真结果表明,RDPDN比经典图像增强网络重建的图像质量更好。将短时间低信噪比的太赫兹图片作为RDPDN网络输入,太赫兹实验结果表明,每个掩膜的采样时间可以减少到常规系统的1/20,Hadamard图案的数量可以减少到像素的10%,同时保持较高的图像质量,可接受的信噪比高于20 d B,结构相似性超过0.85。2、此外,还提出了一种端到端卷积神经网络,旨在利用Hadamard编码系数直接成像,省去中间传统成像算法重建的步骤。利用Hadamard掩膜编码光学图像,以及少量编码系数重建图片。结果表明,本文提出的端到端网络理论上只需要5%的Hadamard系数即可重建32×32像素的太赫兹图像,极大压缩编码采集和重建所需要的时间,进一步在保证成像质量的前提下缩短成像时间。