随着深度学习的快速发展,深度卷积神经网络的非线性拟合能力也越来越强。而且很多其他领域内原来无法求解的问题通过深度学习得到了解决。相位解包裹作为光学相位测量应用中不可缺少的关键技术,在全息技术和结构光照明系统应用中占据着核心地位。而目前传统的相位解包裹技术在解包裹速度和质量上进入了瓶颈期,因此本文提出了利用深度学习的方法进行相位解包裹研究。本文主要探讨了基于残差回归网络和基于语义分割网络的相位解包裹研究。本文首先提出了利用残差回归网络进行相位解包裹,深入探索了包裹相位图和未包裹相位图之间的映射关系。利用泽尼克多项式生成了大量的仿真相位图数据。将包裹相位图作为残差回归网络的输入,而未包裹相位图作为输出。由于残差结构的存在,网络只需要学习包裹相位图和未包裹相位图与包裹相位图差值之间的映射关系即可。本文实验结果表明,该算法只能对测试集中87%左右的包裹相位图进行解包裹。同时存在解包裹结果中像素点数值错误的情况。其次,本文提出的基于语义分割网络的相位解包裹算法由分割、叠加、修正三步组成。在分割步骤中,利用了Deep Lab V3+网络对包裹相位图依据需要叠加2π的倍数进行了语义分割。之后将分割结果中需要叠加2π的倍数值和2π相乘再与包裹相位图相叠加,得到初步相位解包裹结果。最后对初步相位解包裹结果进行进一步的修正操作得到最终的相位解包裹结果。同基于质量图导向的路径相关算法(SRFNP)、基于光强传输方程的路径无关算法(TIE、ITIE、RTIE)等最新的相位解包裹算法对比结果表明,本文所提算法在有噪声存在时更加鲁棒,解包裹质量更高。