随着光学器件与计算机技术的发展,数字全息、计算全息等技术被广泛的应用于全息三维显示、全息投影、信息安全等领域。但是在实际的应用中,由于全息图频域信息的不规则性、像素之间弱关联性、仅空域信息无法重建物场等特点,使得全息图的实时传输存储困难、重建效果差,无法应用于真彩色场景。因此,针对全息图的特点设计信息压缩方法,尽可能获取高质量全息图并减少存储带宽,成为全息图应用研究中一个亟待解决的问题。目前,针对全息图主要重构信息提取一般采用传统滤波的方法,但是,在滤波器的设计上,为避免干扰不得不选择尺寸较小的滤波窗获取物光频谱,损失了重建光场的高频分量,降低了重建图像质量。同时,传统的滤波方法存在滤波精度不足、处理全息数据时操作繁琐等问题。因此,针对全息数据设计无人工干预的自适应选通滤波器成为全息数据提取和压缩的关键。近年来,随着人工智能的发展,深度学习以其学习能力强、准入门槛低、可泛化性广等特点被广泛的应用到光学成像等领域中。在数字全息领域,深度学习算法能够解决全息图的生成与重建、全息图的散斑噪声去除、全息图的压缩编码等问题,让全息成像的发展有了新的方向。但是目前结合深度学习对全息图进行压缩编码研究较少,并且压缩质量较差、压缩率不足。针对上述问题,本文提出了一种基于深度学习的无干扰全息图生成方法,主要研究工作如下:首先,深入研究传统无干扰全息图生成方法,提出了一种基于深度学习的无干扰全息图生成方法。采用Mnist手写数据集通过菲涅耳衍射的卷积算法（T-FFT）和快速傅里叶变换（FFT）模拟生成的数字全息频谱图作为训练与测试样本,利用改进的卷积神经网络学习不同参考光角度记录的全息频谱图零级与正负一级的关系,实现全息图像主要重构信息的提取。然后,通过实际拍摄不同类别的全息图验证并进行质量分析评估,并与Yolo V3网络进行对比分析。通过定量分析得出本文所提网络优于其他网络且该方法可提取全息图中主要重构信息生成无干扰全息图,提高了全息图的压缩率,解决了全息图重建效果差、实时重建困难、压缩率不足的问题。最后,通过与传统人工滤波进行对比实验并分析各项参数,经过Holo ZL网络处理后的无干扰全息图能够消除零级和其他干扰,实现主要重构信息的提取并能获得具有较高质量的重建光场图像。