当光透过诸如云层、浓雾、生物组织等不均匀介质时,会经历多重散射,使得光的振幅和相位发生畸变,产生由明暗斑点组成的散斑图像,从而丢失掉携带的物体信息。这对光学通信、航天飞行和生物医学成像等领域内的光成像发展造成了极大的阻碍,如何实现透过散射介质成像也成为人们研究的重点。深度学习为透过散射介质提供了一个可行的思路。基于深度学习的计算成像技术是一种全新的成像技术,与传统成像方法不同的是,它最大的优势在于无需对成像系统进行显式或参数式的建模,通过神经网络强大的特征提取和特征归纳能力,能从大量数据中学习到潜在的映射关系,从而实现成像。而光透过散射介质是一个确定性的过程,入射光和出射光存在一一对应的映射关系,这使得将深度学习应用到透过散射介质成像成为可能。自从基于深度学术的计算成像技术被提出以来,越来越多的研究人员加入到这项技术的研究,使得该技术迅速发展,同时也在众多领域中得到了广泛的应用,包括相位恢复、计算鬼成像、超分辨率成像、多模光纤成像和弱光环境成像等。基于深度学习的计算成像技术已经在透过散射介质成像领域中取得了令人可喜的成果,但目前大多数研究都集中在对静态散射介质的研究,很少关注动态散射介质。在实际应用中,动态散射介质更为常见,并且透过动态散射介质实现成像也更为困难。因此,本文的研究目的就是开发一种深度学习算法实现透过动态散射介质成像。本文的主要研究内容可概括如下:1我们研究了光在散射介质传播的光学传输矩阵模型,模拟生成了能表征散射介质光学特性的传输矩阵,对基于深度学习实现透过散射介质成像进行了仿真实验,验证了该方法的可行性。2我们设计和搭建了散射成像实验系统,并基于MATLAB和LABVIEW软件实现了散斑图像的自动化采集,能快速获取大量的“散斑图像-原始图像”数据对,使得训练大规模神经网络成为可能。3我们对重建卷积神经网络的结构进行了研究和分析,阐述了网络设计的基本原理,提出了用于重建散斑图像的“Res-Unet”网络,探究了“Res-Unet”网络对不同实验条件下MNIST手写数字数据集、双字符混合手写数字数据集和Fashion-MNIST时尚服装数据集的重建能力,实验结果表明经过良好训练的“Res-Unet”能从静态散射介质和动态散射介质后的散斑图像中恢复出原始图像,证明了基于深度学习实现透过动态散射介质成像的可行性。