相位恢复问题是指仅通过信号傅里叶变换（或其它线性变换）的幅值恢复原始信号。由于相位信息的缺失,该问题是一个不适定问题,因此需要利用图像先验来确保精确重构。该文针对基于正则项的图像重构算法具有计算复杂度高和在存在噪声下重构精度低的缺陷,将传统相位恢复算法与卷积神经网络相结合,对上述问题进行改善。具体的研究内容如下:首先,针对实际应用中重构图像会受到噪声干扰的情况,该文训练去除图片噪声的深度残差卷积神经网络（Residual Learning of Deep CNN for Image Denoising,DnCNN）模型作为去噪算子,引入l₂范数模型作为正则项,起到限制解空间范围、降低模型复杂度的作用,提出了基于DnCNN-l₂范数的相位恢复算法。该模型是非凸的,通过交替方向乘子法（Alternating Direction Method of Multipliers,ADMM）求解此非凸优化问题。最后通过实验对比,验证该算法的有效性。其次,为了改善添加₂l范数模型作为正则项的相位恢复算法具有计算复杂度高、求解速度慢的缺陷,提出了基于编码-解码去噪网络的混合输入输出（Hybrid Input-Output,HIO）相位恢复算法。将编码-解码网络融合到基于支撑约束以及幅值约束的HIO算法中,在HIO迭代过程中,经过编码-解码网络改善中间结果的重构质量。实验成果表明,该算法对噪声鲁棒。最后,针对HIO算法在测量值包含泊松噪声时重构能力仍有较大局限性,提出了一种基于深度先验的过采样平滑（Oversampling Smoothness,OSS）相位恢复算法。将收缩-扩张卷积神经网络作为深度先验,将深度先验、支撑约束和幅值约束共同作为OSS迭代算法的先验。经过多次实验,验证该算法对于含泊松噪声的测量值具有较强的细节恢复能力。