随着天文观测以及遥感监测在现代科技中发挥出越来越重要的作用,对光学望远镜分辨率性能的要求进一步提高,增大口径以提高成像分辨率成为望远镜发展的主要趋势。由于制造技术、系统装配以及航天器有效载荷等方面的制约,传统单一口径望远镜很难在增大口径方面实现进一步突破。合成孔径成像技术以多路分离的子孔径阵列等效地达到大口径望远镜系统的高分辨率成像性能,必将会成为未来高分辨成像的主要发展方向之一。然而,合成孔径系统中共相误差的存在会严重制约分辨率的提高,只有消除共相误差带来的影响,才能保证合成孔径系统真正实现高分辨率成像。围绕共相误差检测这一合成孔径成像技术中的关键问题,本论文将深度学习方法引入共相误差检测,并通过仿真和实验展开了研究,主要内容如下:首先,对光学合成孔径成像系统的研究进展进行综述,总结了现有传统共相检测技术以及神经网络共相检测方法的特点以及局限性,针对当前共相误差检测研究的发展趋势和面临的主要挑战,提出了基于深度学习的共相误差检测技术,探索更具有实用价值的共相方法。其次,结合合成孔径系统的物像关系与深度学习原理建立了深度学习光学合成孔径共相误差检测的数学物理模型,通过采用单卷积神经网络拟合一定谱宽点扩散函数图像和全子孔径共相误差之间的输入输出映射关系,实现了端到端的共相检测。该方法可以在大量程范围内直接实现系统的精共相检测,且每次检测只需要一帧焦面点扩散函数图像即可完成,在降低系统复杂度的同时实现了对共相误差的快速检测。此外,研究了该方法在相干长度范围之外的极限检测量程,进一步扩展了共相误差探测范围。然后,搭建了两孔及三孔验证实验平台,通过构造实验训练集和实验测试集验证了基于单卷积神经网络的共相检测技术在实际系统中的可行性;针对复杂系统中采集大量真实图像存在的困难,仿真构建逼近实际系统的成像模型,并生成仿真图像代替实验图像对网络进行训练,对实验测试集的共相检测结果验证了利用仿真数据训练得到的网络可以实现对真实图像的高精度共相探测。最后,针对面目标共相检测中存在的困难,采用焦面和离焦图像构造与目标特性无关的特征图像作为训练集,通过仿真验证了单卷积神经网络基于一定谱宽特征图像直接提取全子孔径共相误差的可行性;分析了子孔径数目增多导致的映射关系复杂度增加对该技术探测精度以及探测速度的影响;基于非中心对称冗余阵列和中心对称冗余阵列讨论了基线冗余度对该方法共相检测性能的影响,并结合理论分析提出了针对这一问题的解决方案。