数字全息是一种结合传统光学全息与计算机技术的新型成像技术,利用CCD或CMOS等电子器件代替传统全息干板,并在计算机中模拟光学衍射过程,再现物光波前分布。但重建像分辨率不高、位相畸变等问题限制了该技术进一步应用。随着计算机技术不断发展,深度学习在很多领域都显出应用潜力,在数字全息领域,它在相位恢复、位相畸变补偿等方面都取得了突破。然而,深度学习需要从大量实验数据中学习输入与标签样本之间复杂关系,这意味着前期数据准备工作量繁重。此外,常用的监督学习网络大多需要成对的训练数据集,但是很多光学实验中,高质量、像素对准的成对数据集并不容易获取,这进一步加深了数据集制作难度。为促进深度学习在数字全息领域进一步应用,本文针对上述问题展开研究。本文介绍了数字全息记录与再现的原理,提出了一种改进的复振幅重建算法,基于空间载频移相法,利用离轴全息图中同一直线上的相邻像素获得三个连续的相移干涉图,然后计算出复振幅。实验证明该方法在保证精度的同时提高了运算速度。本文还改进了基于相位梯度最小化的相位补偿方法,结果表明优化后的方法在保证相位补偿精度的同时,有效提高了相位补偿效率。这些工作可为深度学习在数字全息的应用更有效地提供数据。本文详细介绍了当前深度学习的主流框架及其原理。首先提出了一种基于光传输物理过程的数据增强方法,有效减轻了神经网络训练数据集的制作负担。但实际噪声来源复杂,为了更准确的模拟实验噪声,本文进一步采用循环生成对抗网络增强数据,并将其用于超分辨率成像。实验证明这种方法有以下优点:（1）数据不需匹配即可用于监督学习训练;（2）机器学习所需实验数据量大大减少;（3）相较于半监督学习神经网络有着更优秀的性能且不局限于超分辨率成像领域。本文还研究了基于深度学习的端到端相位重建算法,并深入分析了其有效性以及局限性;同时还对不同条件对神经网络模型性能的影响开展了研究。此外,本文还对深度学习在数字全息聚焦方面的应用进行了探索,指出了制约因素和改进途径。上述工作拓展了深度学习在数字全息领域应用潜力,为数字全息图的高质量、实时重建创造了条件。