全息技术是利用干涉和衍射原理记录并再现物体真实三维图像的技术。在记录过程中,由于成像传感器只能记录全息图波前的幅度,会丢失相位信息,导致重构后的图像受到共轭像的严重影响。该文主要围绕基于深度学习的全息重构共轭像去除方法进行研究,具体研究内容如下:首先,为去除同轴数字全息重构中的共轭像,提出多尺度残差稠密网络。该网络将输入含共轭像的图像进行采样率不同的下采样操作,以此来获得不同的尺度。为提取不同层次的特征,在不同尺度上进行残差稠密块学习并进行相应的上采样操作,最后融合不同尺度的信息输出重构的图像。实验结果表明,提出的方法能够有效地去除全息重构中的共轭像。其次,为减小网络的重构时间,提出残差记忆网络。该方法首先对输入图像进行一级Haar小波变换,在小波域下学习含共轭像图像和原始图像不同子带之间的映射关系,降低映射复杂度。同时,该网络引入记忆机制,能够将网络前端卷积层的信息传递到网络较后端卷积层。通过与其它方法的对比实验,表明提出方法不仅能够提高重构质量,并且可以缩短重构时间。最后,为提高网络的重构性能,提出多尺度记忆网络。该网络通过两次下采样操作将输入图像分解成三个尺度,同时增加了网络感受野。在网络前端第一个尺度和第二个尺度引入支路来补充网络传递过程中丢失的信息。图像不同尺度的信息由多个记忆块提取。最后,融合图像不同尺度的信息重构高质量的图像。实验结果表明,提出网络的性能优于对比方法。