鬼成像作为一种新型成像方式,利用了光场的二阶关联特性计算出目标图像。由于这一特性,与传统成像方式相比,它可以实现在雨雪雾霾等较差的光学环境中抗散射成像,且抗噪性强。因此,在一些特定场景下,鬼成像比传统成像更具优势。然而鬼成像普遍存在的问题是其成像质量与采样次数成正相关,高质量的成像效果意味着极大的时间成本,本文从原理出发,利用深度学习方法从两个方向优化了计算鬼成像系统的性能。首先,针对利用计算鬼成像系统对物体进行分类识别的场景下,本文跳出了识别物体就是识别其图像的思维定势,提出了利用深度网络模型在成像之前直接识别光强序列的方法,从原理上跳过了成像计算。实验在基于Hadamard矩阵的模拟数据采样方法上验证了提出的双路网络模型（Ghost Imaging Hadamard Neural Network,GIHNN）直接识别光强序列的有效性,实现了快速端到端的识别,大大提高了识别效率。通过不同采样率的对比试验,该方法可以在低至9.77%及2.44%采样率下有效识别物体,而在此采样率下的基本关联函数恢复的图像充满噪点难以辨认,同时本方法的处理时间比先成像再识别的过程更短。其次考虑了基本关联运算需要多次采样才能有效成像的问题,基于特征融合的思想,利用其可以有效融合图像不同层次语义信息的优点,在已有工作的基础上改进了一个深度网络模型代替基本关联运算,实现了直接从光强序列中恢复目标图像。实验通过对比两种损失函数的结果,与类似方法相比,本方法能在较低采样率（9.77%）下恢复出质量更高的图像。同时分析论证了现有方法和本方法由监督学习训练方法导致的共同缺陷,为之后的研究指出了方向。总体而言,本文将深度学习与计算鬼成像有机结合,从两个角度优化了系统性能。成像之前的识别方法跳出了识别物体必须识别其图像的思维定势,用双路网络模型实现了低采样率下的快速识别,同时也证明了一维光强信息具有基本图像语义信息;成像过程中的图像恢复算法用一种基于特征融合的网络代替,实现了仅从光强序列中恢复目标图像,且在低采样率下仍能有效恢复原始图像。上述方法利用深度学习解决了计算鬼成像中采样率与成像质量的矛盾,有利于推进计算鬼成像的实用化进程和推广深度学习至更多的应用领域。