在位移变形的非接触测量领域中,电子散斑干涉测量技术作为一种全场光学测量方法,具备较高的精度。然而其相位信息提取步骤复杂,且相位提取质量容易受到噪声的影响,往往需要进行预处理,如数据增强、滤波去噪等。随着深度学习领域的飞速发展,神经网络具备很强的非线性拟合能力,可以获取训练数据中不同样本之间的映射关系,较好的网络模型可以具有较强的鲁棒性。对于许多已有模型或者其他领域无法求解的问题,可以通过深度学习实现一种智能解决方法。因此本文采用深度学习方法对电子散斑干涉技术进行相关研究,可以避开或减少传统模型复杂度及不同学者处理方法对测量结果的影响,主要工作如下。（1）仿真构建了四步相移法散斑干涉图像数据集和相位解包裹图像数据集,采用不同相位分布、添加不同类型和不同等级的随机噪声方法,使数据集更泛化。（2）构建了散斑干涉相位提取深度学习网络,在使用经典U-Net网络基础上增加BN模块,可以有效加快网络训练。训练获得的模型对测试集数据的输出结果与其对应传统四步相移方法计算的真实值进行比对,网络预测结果接近真实值,误差较小,具有良好的一致性。（3）构建了相位解包裹深度学习网络,使用改进并加深U-Net网络框架,并将其与残差网络中的残差单元Residual Block相结合,并设计SSIM损失函数来代替回归网络中常用的均方差损失函数。利用其处理仿真图像和实验图像,并与传统解包裹算法的处理结果进行比对,本文所设计的解包裹网络在解包时间上具有明显的优势,且具有较好的去噪能力。（4）针对大尺寸包裹相图,提出了拼接解包方法,使解包裹网络能够高质量地适应更多种尺寸大小的图像。为了更简单方便的加载网络模型进行图像处理,基于Py Qt5编写了一款处理软件。