散射成像是一种将携带目标信息无序散斑通过后处理算法恢复散射介质后目标图像的技术,散射成像在大气成像、生物组织成像和水下成像等方向都有非常重要的应用前景。散射介质破坏了传统光学成像中的光子直线传播路径,光子的传播方向在散射介质中会被多次随机改变,探测器得到的数据是目标信号被随机改变后的散斑。不仅散射介质会影响成像,光的强弱也会影响成像过程。在弱光下,光信号更多呈现出光的粒子特性。传统的探测器无法应对弱光条件下的探测,而单光子探测器可以记录单个光子的信息,因此非常适合用于弱光成像中。近些年来,深度学习发展迅速,深度学习在很多领域得到了非常好的应用,尤其是图像处理领域,深度学习展现了其强大的学习能力。本文探索了极弱光散射成像技术,利用单光子探测器获取数据,并将深度学习与散射成像相结合,主要研究包括了以下几点:（1）基于深度学习的水下散射成像算法:利用可进行时间相关单光子计数的阵列单光子探测器得到光子飞行时间直方图。针对散射水体,利用散射和目标光子的时域上时间分布的不同,对不同光子进行区分。提出了一种基于深度学习的水下散射成像技术,可以对浑浊水体中的目标进行三维重建,得到强度和深度的信息。我们利用卷积神经网络学习飞行时间直方图分类模型,之后在时域将背景光子和目标光子区分出来。深度学习分类模型的加入可以有效地降低背景噪声。在实验中分析了不同散射条件下的结果,以及对比了不同方法的成像结果。实验证明了结合了时间相关单光子计数技术以及深度学习可以从更高浓度的散射水体中恢复目标。（2）基于深度学习的极弱光下的散射成像方法:提出了一种在弱光条件下透过散射介质成像的深度学习网络。在弱光条件下,SPC检测到的数据是光子受限的、采样不足的,并且受泊松噪声的影响很大。在这种情况下,传统的散射成像的方法不再可用。深度学习是解决这一问题的有效方法。与高光子通量条件下散斑对比,在弱光条件下,由于散斑没有完全形成,只能得到物体的部分信息,泊松噪声还给散斑引入了探测随机性问题。在构建数据集时,我们对原始训练数据集进行多次检测扩充数据集数量,可以提高重建散射图像的质量,同时我们还探讨了利用强光散斑仿真进行数据增广的方法。与其他两种流行的深度学习网络结构进行了性能比较,我们的方法有最好的性能。在实验中表明,在平均每像素约一个光子的条件下仍然可以恢复成像。