基于Talbot-Lau效应的光栅成像方法是目前应用最为广泛的X射线光栅成像技术。通过该方法,可得到物体内部的吸收信号、散射信号和相位信号。研究表明,相位信号可以有效的提高软组织探测的对比度,而散射信号可以极大的提高对物体内部颗粒或者空隙结构的探测灵敏度。因此,基于Talbot-Lau效应的X射线光栅成像技术得到了研究人员的广泛关注,并希望将该技术应用到临床检测当中。目前,上述吸收、散射、相位信号的提取是基于多个相位步进投影图,通过数学解析方法得到。存在一定的缺陷:由于步进位移操作的不精准性以及光机输出的不稳定性,会产生噪声和估计偏差（bias）,数学解析法会放大这些误差。另外,相位步进法的时间成本较大,辐射剂量利用率低,虽然有多种信号提取方法解决了时间成本的问题,但都在一定程度上损失了空间成本,即图像质量受到了不同程度的限制,不能满足实际应用的要求。本文具有一定的创新性:首次将卷积神经网络引入X射线光栅成像多信息提取任务中。首先提出XPNET网络模型结构,通过端到端的训练方法,信号提取效果可完全比肩目前应用最广泛的相位步进法。针对时间成本和辐射剂量问题,基于同步辐射数据,探讨了步进数不同对提取效果的影响主要是信噪比降低,在XPNET基础上进行优化,加入降噪模块,提出同时具有降噪功能的XPNr NET网络模型,可在少步进数情况下提高图像的信噪比,提高图片的成像质量,间接降低了时间成本;针对估计偏差问题,基于普通实验室光源数据,在XPNET模型基础上加入级联结构,提出XPDb NET网络模型,不通过传统意义的降噪实现减偏,而是在完全保证图像分辨率和信号提取精度的前提下,最大限度可降低相位信号15%的估计偏差,提高信号提取的准确率。本文所有网络模型均通过自然图片数据集进行训练,采用端到端的训练方式。所有训练完成的模型均经过模拟数据、同步辐射数据、普通实验室光源数据全方位测试验证,均取得良好的效果,网络模型具有广泛的适用性。