波前传感与测量技术在光学元器件性能检测、望远镜等复杂光学系统的装调和测试、自适应光学等领域具有重要价值。基于离焦图像的波前测量技术,采用各种算法对离焦强度图像进行解算,从而得出入射波前信息,具有结构简单、成本低廉特点。目前常用的复原算法存在迭代次数多、测量范围小等不足。利用深度学习建立传感器的模型,将离焦图像作为输入,波前数据作为输出,有望解决上述不足。首先介绍了波前传感和复原算法等基础理论和方法,基于离焦图像的波前探测技术,综述了目前复原算法的特点,给出了基于神经网络的波前复原基本思路。建立数值仿真模型,利用卷积神经网络复原波前的泽尼克系数。实验证明,模型损失函数最低为0.0177,波前复原残差均方根最低为0.3526,泽尼克系数残差均方根最低为0.0530,说明模型具有较高的准确率和预测精度。进一步研究了传感器参数对波前复原精度的影响。分析了传感器分辨率、读数噪声和训练数据量对模型复原精度的影响,并研究了泽尼克阶数和光斑离焦量对模型准确率影响。结果表明,传感器分辨率越高或训练数据量越大都会使模型复原精度更高,相反传感器读数噪声会降低复原精度,而泽尼克阶数和离焦量的增加会使模型准确率下降。最后建立了离焦图像波前探测自适应光学实验装置,分析离焦波前探测技术在波前校正环节的应用。将离焦面上的光斑作为模型输入,变形镜控制电压作为输出。实验结果表明,预测电压残差均方根最低为179.1692,模型可以较为准确的实现波前校正。此外,随着探测器分辨率降低,预测电压误差增大。图44幅;表10个;参54篇。