数字全息显微技术是一种非接触式、全场定量测量、无标记快速三维测量的方法,广泛应用于显微成像与测量等方面。其技术流程主要分为全息图像的记录过程与重建过程两部分:在全息图像的记录过程中,环境因素及人为因素的干扰通常会造成数字全息图高频信息的缺失,致使分辨率下降;全息图在重建过程主要分为相位恢复和自动聚焦,目前常用的相位恢复算法存在计算复杂度高、复杂结构处理能力差的问题,自聚焦处理对先验信息的要求限制了重构效率,使得重建性能大大降低。端到端的深度学习算法可以通过学习低分辨率全息图像到高分辨率重建图像的映射关系有效改善上述数字全息图图像记录与重建过程中的问题,无需先验信息地提升图像的细节信息,实现全息图的超分辨。但是深度神经网络的结构与参数对重建质量与训练速度有很大影响。本文首先针对基于卷积神经网络的全息图超分辨率重建算法中存在的网络结构简单、细节信息恢复效果差、收敛速度较慢等问题进行优化改进,提出通过使用残差网络解决网络层数加深引起的梯度消失或梯度爆炸等问题,并对全局残差以及局部残差结构进行了实验对比分析,在保证训练速度没有量级变化的前提下,本文通过实验确定了网络深度的最优参数,在权衡性能与速度后提升了网络的整体性能。为进一步提升对全息图像细节的恢复能力,本文提出了一种基于亚像素卷积的残差网络模型,探究不同结构的收敛性、训练速度、测试性能,确定了局部残差块与亚像素卷积层的最优匹配个数,对比上一节的网络结构,以稍长的训练时间为代价,全面提升了重建图像的细节恢复能力,并将本文算法与传统算法进行了实验对比分析,从各项指标上均证明了本文所用算法的优势。最后,在仿真与实验图像测试集上,均验证了本文提出网络结构的可行性。通过优化深度神经网络结构与参数,对未知样本的恢复取得了很好的超分辨效果,为未来更高效地提取高质量数字全息图像提供了新的思路。