数字全息技术根据物光与参考光间是否存在夹角可以分为同轴数字全息技术和离轴数字全息技术。相比于共轭像干扰不易消除的同轴数字全息,离轴数字全息具有0级次、+1级次和-1级次频谱分离的特点,便于处理,因而获得了广泛应用。离轴数字全息需要依靠自动聚焦算法实现准确成像,所以,研究数字全息的自动聚焦成像技术具有重要实际意义。传统的数字全息自聚焦成像技术通常是基于迭代的方法,这限制了聚焦成像的速度。本论文基于深度学习技术针对单波长离轴数字全息自聚焦成像问题进行研究,利用卷积神经网络技术,实现由离焦全息图预测聚焦重建像。所提出的算法具有成像速度快、预测过程无需背景图、对噪声不敏感等优点。具体研究内容如下:首先准备数据集,根据离轴数字全息技术以及白光衍射相位显微技术基本原理,分别获取振幅物体和相位物体全息图,对振幅型全息图使用余弦分值自聚焦算法实现聚焦重建,对相位型全息图使用相移法结合余弦分值自聚焦算法实现聚焦相位恢复。将得到的重建像作为标记,制作相应的数据集,用于卷积神经网络的训练、验证与测试,每个数据集中均包含上千组样本。然后,通过对全卷积神经网络的结构特点与不足进行研究,提出一种改进的基于VGG16的全卷积神经网络模型用于处理数字全息自聚焦成像问题。改进后模型的参数量与原模型相比显著减小。使用仿真数据集与实验数据集对算法的可行性与实用性进行了验证。应用GPU,改进后的全卷积神经网络模型进行一次前馈运算的时间为66.4ms。由于VGG16结构本身具有较强的特征提取能力,提出的神经网络经过较少轮数的训练即可获得较好的模型参数,所学得的模型具备一定抗噪能力,而且重建过程中无需背景图,测量过程更加便捷。最后,在对U-Net基本理论进行研究的基础上,通过分析该模型的优点与不足,提出了一种改进的U-Net卷积神经网络模型并应用于数字全息自聚焦成像领域。改进后模型的参数量更少,运算速度快,且输入数据与输出数据的维度相等。使用仿真数据集与实验数据集对所提出的模型的性能进行了验证。