数字全息术可以看作现代光信息处理技术应用于传统光学全息术应运而生的一种全新全息技术。数字全息术已经将全息图记录、再现等操作实现了离散化和数字化。和传统的光学全息术一样,数字全息术也有同轴和离轴之分。与离轴全息术相比,同轴全息术具有更简易的实验环境,并且对CCD、CMOS等光电传感器的空间带宽利用率更高。但是,数字同轴全息得到的再现像会出现零级衍射像、原始像和共轭像重叠的现象。针对同轴数字全息再现像中出现零级衍射像和共轭像的难题,本文基于深度学习理论,设计并研究了一种可消除零级衍射像和共轭像的同轴数字全息再现网络（命名为GU-Net）。论文的主要工作如下:论文首先介绍了同轴数字全息基础理论以及一些消除同轴数字全息再现像中零级衍射像和共轭像的方法。针对同轴数字全息记录以及再现问题,本文介绍了数值计算菲涅尔衍射积分的三种常用算法,并通过数学实验的方式比较了这三种不同数值计算算法抑制欠采样的能力。为得到无噪声的全息再现像,文中介绍了传统算法和运用深度学习的方法。传统算法中,详细阐述了“四步相移法”,并使用MATLAB进行了模拟仿真实验。其次,论文以深度学习为理论基础,基于生成式对抗网络,围绕同轴数字全息中零级衍射像和共轭像难以去除的问题,设计了 GU-Net全卷积神经网络。GU-Net网络只需输入单幅同轴数字全息图,就可以得到不含零级衍射像和共轭像的高质量再现图像。最后,为验证GU-Net网络的性能,本文分别在三个不同数据集上设计了五组不同的验证实验。三个数据集分别是MNIST数据集,自制的汉字与字符数据集以及 CFPW（Celebrities in Frontal-Profile in the Wild）数据集。GU-Net 网络在三个数据集上得到的再现图质量都非常好,具有良好的再现重构性能以及鲁棒性。相比于传统的同轴数字全息再现的方法,GU-Net网络可实现更高质量的全息再现。