现今社会,在医疗、环保、燃料燃烧、航空航天等领域中涉及到颗粒材料的研究经常需要测量粒子大小和三维位置等三维粒子场的信息。这些针对三维粒子场的测量对工业生产,日常生活都有重要的研究意义。数字全息技术通过干涉记录和衍射计算可以重建物体的三维信息,是一种真正的三维照相技术,其在三维粒子场成像及测量中能够发挥巨大的作用,对三维粒子场成像的研究具有重要的科学意义及实用价值。传统的数字全息3D粒子场成像算法存在计算时间较长,重建精度较差等不足,而深度学习算法是一种以数据驱动的算法,可以在大量图像数据中学习到其内在的映射关系。训练好的深度学习算法模型可以快速重建全息图,并且重建精度优于传统算法。因此本课题利用数字全息技术与深度学习算法相结合的方法,使用数字全息技术获得全息图,并在计算机中利用深度学习算法对全息图进行数值重建,实现实时、高效的三维粒子场重建效果。本课题研究主要围绕以下几点内容展开:（1）使用面向层结构的角谱算法来生成所需要的仿真数据集。设计了一种新的Dense＿Block,并将其添加到编码器和解码器中从而形成了DenseU-net网络,使用该网络来实现3D粒子场的重建。在重建中使用一种新的粒子表征方法,将粒子的半径和3D坐标编码为2D灰度图像,将该图像作为Dense-U-net网络的真值。在这个网络中,Dense＿Block的每一层输入是之前所有层的输出,它的输出则是将本层的输入所产生的特征图传递给后续所有层。这种Dense＿Block结构可以学习粒子中心信噪比比较高的特征和粒子周围信噪比比较低的衍射信息,从而有助于提升3D粒子场重建精度。经过仿真数据和实验数据证明Dense-U-net网络确实具有很好的重建效果。（2）提出了一种基于YOLOv3和拉普拉斯算子（LAP）的数字全息3D粒子场成像算法YOLOv3-LAP。YOLOv3可以实现精确地粒子检测和分割,其处理一张全息图所用的时间仅为53.67 ms。LAP算法则可以准确检测颗粒的轴向深度。YOLOv3-LAP算法以单个2D全息图作为输入,输出则是该全息图中每个粒子的3D位置坐标和分类,无需费时地预处理和后处理。YOLOv3-LAP算法使用迁移学习让网络能够使用少量数据即可完成训练,并将训练时间减少到5个小时,同时粒子识别准确率达到99.07%。经过仿真数据和实验数据证明YOLOv3-LAP算法在复杂的全息3D粒子场成像中具有良好的有效性和可行性。