数字全息具有大视场、非接触、精确动态测量物体三维形貌的特点,广泛应用于干涉测量、三维成像和定量相位成像,在材料科学、工业和生物医学测量等领域有着巨大潜力。近年来,利用深度学习方法在数字全息显微领域研究取得了巨大进展,运用生成对抗网络卷积、卷积神经网络等方法实现快速、精准的三维测量。目前,卷积神经网络在数字全息领域的应用仍存在一些问题有待于解决:一方面部分卷积神经网络在提高精度的同时模型体量增大,满足精度不能同时兼顾网络的计算复杂度。另一方面是部分卷积神经网络由于自身网络原因,在网络学习过程中精度有待于提高。为解决以上问题,本文设计基于轻量级的卷积神经网络和算法实现数字全息解包裹、数据增强、相位重建等工作。1、提出一种融合轻量级Mobilenet V3网络的深度学习框架实现相位解包裹。使用模拟包裹相位和真实相位作为训练集,加入随机模拟噪声,模拟接近真实的包裹相位和真实相位分布,通过网络学习包裹相位和真实相位的映射关系。架构出基于Unet框架融合Mobilenet V3模块的UMnet网络,该网络相较于传统的相位解包裹算法,精度更高,速度更快,代替传统方法实现相位展开工作。2、提出一种融合Efficient Net V2网络的深度学习框架实现数字全息图数据增强。采用频域融合方法生成全息图做为训练集标签,通过神经网络进行网络训练,快速的获取全息图。架构出基于Unet网络框架融合Efficient Net V2模块UEFFnet网络,经过网络训练后获得网络模型实现全息图的快速生成。运用小视场训练模型对大视场图像进行测试,可以实现大视场的全息图的生成,为网络训练需要更多训练集提供了可能,并采用不同样品进行网络训练,都获得的不错的网络精度。3、提出一种融合Covn Next网络的深度学习框架实现数字全息端到端相位重建。采用PCA主成分分析法来实现相位畸变补偿,通过PCA相位畸变补偿后运用TIE-FFT方法相位解包裹获得物体的真实相位信息。采用一种新的网络结构来实现数字全息相位重建,在Unet网络框架基础上融合Covn Next网络模块构建UCovnnet网络,UCovnnet采用全新的视觉注意力网络模块,进行不同的参数及模块调整,实现更高的计算精度,用以提升相位重建质量,相较于UMnet和UEFFnet网络,UCovnnet相位重建精度更高。