计算鬼成像通过散斑图案和对应总光强的关联计算进行成像。根据对包含散斑图案空间信息的参考臂和仅包含待成像物体信息的物臂进行关联计算从而得到目标物体。计算鬼成像因其特有的成像方式,在含大噪声和弱光条件下具有一定的优势。但其仍就存在着一定的弊病,首要问题就是低采样率下的鬼成像重建效果不如预期。本论文讨论了基于计算鬼成像的深度神经网络方法研究,从多个角度,运用多种深度神经网络机制对计算鬼成像重建进行讨论。本文分别完成了基于Dense Net多尺度融合的计算鬼成像重建,基于CGAN（Conditional Generative Adversarial Nets）的计算鬼成像重建和基于 convGRU-U-Net的计算鬼成像重建,并对成像结果进行分析。具体来讲,本文完成了以下研究工作:1、提出了基于Dense Net多尺度融合的计算鬼成像重建算法。首先,通过传统计算鬼成像重建方法恢复出低采样率下的重建结果;将得到的低采样结果作为网络的输入,利用Dense Net网络进行特征提取;将提取到的不同尺度下特征通过像素级空间注意力机制进行特征融合;将融合特征作为重建网络输入,得到最终的重建结果。在仿真测试实验中,该方法可以对10%采样率的重建结果进行较好的恢复。同时,在真实环境中进行了分析验证,说明了该算法的实用性。2、提出了基于CGAN的计算鬼成像重建算法。首先,通过传统计算鬼成像恢复出低采样率下的重建结果;然后针对生成器和辨别器进行训练,与其他神经网络训练方法不同,该算法由辨别器控制生成器中的参数,辨别器中还添加了 critic机制对其参数进行限制。相较于一般GAN网络,此算法还在生成器中添加了额外的损失函数来保证生成器的生成效果向真值图像逼近;最后,通过仿真数据和真实数据的重建结果作为网络的输入,在5%采样率下得到较好的重建结果,验证该算法的可行性和有效性。3、提出了基于convGRU-U-Net的计算鬼成像重建算法。首先,将投影图案序列和对应的桶探测器值序列作为网络的输入,通过convGRU网络对目标物体进行重建。其中,convGRU循环次数,即convGRU网络中convGRU神经元的个数为鬼成像的采样次数。然后,将convGRU网络得到的结果输入到U-Net网络中对重建后的图像进行增强,得到最终的重建结果。本算法在采样率为3.12%时,通过仿真数据和真实数据可以得到较好的重建结果,并通过非手写字内容作为测试图像,证明了该算法的泛化性。