数字全息显微成像技术是信息光学、光电子技术以及计算机科学与技术的有机结合,具有无损伤、全视场、非接触、处理灵活、方便储存等优点,同时能获得三维定量的振幅和相位分布。近年来随着深度学习的快速发展,基于深度学习的神经网络层出不穷,许多领域内原来无法解决的问题都可以通过深度学习方法取得突破。其在数字全息领域的应用也越来越广泛,例如解包裹、自聚焦、像差补偿等,为显微成像领域开辟了一条新的研究方向。本论文通过深度学习网络结构的理论分析,仿真模拟图和真实样品的实验验证,对提高信噪比、相位解包裹、超分辨和自聚焦重建等方面进行了研究,主要工作内容包括:1.提出了一种基于AU-Net提升全息图条纹信噪比的方法,抑制散斑噪声从而获得高质量全息图。学习低分辨率全息图到高分辨率图的映射关系,获得降噪模型。此算法降低了对实验系统稳定性的要求,实验结果表明提出的深度学习算法不仅可以对全息图降噪,而且能够抑制重建相位图中的散斑噪声,并最大限度显示实验样品的细节信息。2.提出了一种改进U-Net的相位解包裹方法,在残差块之后加入SE通道注意力模块,并使用深度可分离卷积替代部分传统卷积。利用矩阵随机生成的大量模拟相位图作为数据集训练,达到对真实全息图相位解包裹目的。本方法通过不同实验样本解包裹,并且与其它解包裹算法结果对比,实验结果表明,本文所提方法样品边缘更平滑,背景平坦,实验测试集与离散余弦解包裹结果的结构相似性指数从平均0.932提升至0.973,峰值信噪比由平均21.60提升至29.18。3.提出了一种基于深度学习的多尺度全息图端到端重建方法,一方面可实现超分辨重建,另一方面可实现对不同离焦距离的全息图自聚焦重建。改进后的网络模型GUE-Net和CUE-Net参数量更少,计算量小速度快。用人血红细胞和鸡血细胞两种样品对所提出的网络性能进行验证,重建结果与传统方法对比背景更平滑,可抑制散斑噪声的影响,重建速度更快。利用训练好的256×256像素大小的模型直接测试大视场的全息图,可以对多尺度全息图进行重建,并且能补偿相位畸变和离焦像差。通过优化深度神经网络结构与参数,实现了对多尺度大视场生物样本的超分辨和自聚焦重建,提高了数字全息重建图像的质量和速度。