冰晶是云滴谱的重要组成部分，其对全球辐射收支平衡、全球气候变化、水文循环、人工影响天气作业等具有重要的影响。目前2~100 μm的冰晶与液滴混合相态难以区分，且存在难以提供冰晶微物理参数的瓶颈问题。针对这两个问题，本文基于数字全息理论，利用全域数字图像融合方法、局部亮度梯度方差法和旋转卡壳法，结合固液相粒子圆度概念，实现了云中液滴和冰晶的混合相态识别，在特定圆度阈值下，液滴和冰晶的识别率大于93%；再结合光学图像识别技术，获得冰晶粒子的面积、周长、凸包和最小外接矩形数据；最终利用上述数据获得了冰晶微物理参数。通过在低温云室中的观测实验，获取了板状、枝状和六角冰晶的微物理参数，该方法解决了冰晶观测中的瓶颈问题。此外，通过冰晶采样间隔时间和不同时刻的质心三维坐标和等效直径，还可获得冰晶粒子的三维运动速度与轨迹。该方法对提升数值天气预报精确度，以及人工影响天气作业具有重大意义。

针对较大尺寸物体彩色全息图重建操作复杂、色彩融合不准确、重建时受零级影响等问题，提出一种基于深度学习的彩色全息图重建方法。采用改进的U-Net模型作为网络结构，使用混合实际拍摄和模拟生成的彩色离轴菲涅耳全息图频谱作为训练样本，实现对彩色全息图的准确重建。对模拟全息图和实际拍摄的数字全息图进行重建实验，结果表明，所提方法相较于传统方法，能够在保持重建图像高分辨率和颜色准确性的同时，具有更好的重建效果。研究结果可应用于大尺寸检测场彩色全息图的重建，为彩色全息检测及深度学习在光学成像领域中的应用提供有益的参考。

数字全息显微镜（DHM）可以对生物样本的复杂波前进行数值重建，但是物体波前存在二次相位畸变和高阶像差，使得成像物体存在一定的相位像差。基于此，提出一种基于径向基神经网络（RBF）的相位畸变补偿算法。使用RBF网络构建非线性函数，最小化损失函数来估算物体的实际相位，损失函数考虑了全息面和RBF网络的输出。在仿真中以原模型为基准计算全局的均方误差，所提算法的均方误差为0.0374，主成分分析法（PCA）的为0.0470，频谱质心法（SCM）的为0.3303。搭建DHM系统用于HL60细胞的成像幅度和相位对比度观察，结果显示，所提算法能够更好地消除载波频率和相位畸变。所提算法无需了解光学参数，且可以通过调整采样点数量控制计算时间和插值精度，在弱散射物体或微纳结构三维形态测量中具有潜在的应用前景。

在数字全息粒子场成像中，粒子衍射的孔径角很小，重构时具有很长的焦深，造成轴向定位精度远低于横向定位精度。增大照明波长，相当于增大粒子孔径角，因此可得到更高的轴向定位精度。采用红外相干光源照明粒子场，在不提升算法和系统复杂度的前提下提升数字全息粒子场重构的轴向定位精度。从理论上分析数字全息粒子场重构中焦深与轴向定位精度的关系，并分别仿真分析绿光、红光及红外光照明时的粒子场全息重构，分别开展了基于这3种光源的聚苯乙烯微球粒子场全息成像实验。仿真和实验结果研究表明，相比红光，红外光源使焦深减小了约19%，而相比绿光，焦深减小了约39%。增加波长可以减弱离焦像的层间干扰，从而提高了轴向定位精度。

白细胞分类在血液分析、临床疾病的诊断和治疗中具有重要意义。人工镜检作为血细胞分析的金标准，耗时较长且高度依赖检测人员的经验。定量相位成像可测量细胞各处的相位分布，是研究细胞形态学和生物化学特征的有效方法。利用基于数字全息显微和明场显微成像的共定位相位成像系统对健康人外周血涂片中的5种白细胞进行研究，定量分析了不同白细胞及其亚结构中的相位分布情况，提取出多个有效辅助白细胞分类的特征参数，并进一步分析了镜检中容易混淆的异型淋巴细胞。结果表明，利用提取的细胞亚结构特征参数可对白细胞进行有效分类，也能较好区分异型淋巴细胞。因此，基于共定位相位成像的细胞亚结构特征参数可为白细胞分类、各类血液疾病的诊断和治疗提供依据和参考，且此种方法无须再对常用的染色样品进行特殊处理，应用场景众多。

数字全息具有测量精度高、实时性强等优势, 在诸多领域有极高的应用价值; 光致聚合物作为光存储介质, 是最有前途的全息记录材料之一, 但记录过程中发生光聚合反应而引起的厚度收缩极大影响了记录效果, 为测量其厚度的具体收缩量, 提出一种基于数字全息的光致聚合物收缩率测量方法。以马赫曾德干涉光路为基础设计实验系统, 记录光致聚合物反应前后的全息图, 利用全息干涉计量的方法计算相位改变量, 根据相位差与收缩的关系计算得到光致聚合物的收缩率。

数字全息成像是一种获得三维物体的波前信息的关键技术, 获得高质量的全息图是其首要条件, 由于受到图像传感器的约束及实验环境的影响, 所获得的数字全息图带有散斑噪声及分辨率低等问题。为了克服这一约束, 采用了一种基于深度学习的方法来提高全息图质量、图像分辨率及条纹信噪比。结果表明, 所研究算法可以应用于采集的多尺度全息图, 而且获得的高质量全息图重建效果更好, 减少散斑噪声影响, 并比较了三种损失函数在该网络训练中的性能。

由于太赫兹面阵探测器像元数少，且目标像素数较少，全息图的衍射效应明显，因此其重建较可见光全息图重建困难。研究两种将深度学习用于二维连续太赫兹同轴数字全息振幅重建的方法，并与传统的角谱法（ASM）和带切趾的振幅约束相位恢复算法（APRA）进行对比。第一种是端对端的U-net网络重建方法（H-UnetM），即网络输入图像为全息图；第二种是角谱法加U-net网络重建方法（AS-UnetM）。仿真研究表明，对于记录距离15~20 mm、分辨率0.3~0.5 mm目标的2.52 THz全息图，AS-UnetM重建优于APRA，而H-UnetM仅优于ASM但不如APRA。最后通过真实实验加以验证，结果表明H-UnetM能够重建目标，但部分背景噪声也被突出，而采用AS-UnetM在目标附近的重建效果最佳。

太赫兹同轴数字全息是一种全场、无透镜、定量相衬成像方法，具有简单且稳健的光路结构，适合太赫兹波应用，然而其固有的孪生像问题会严重降低再现像的质量。提出一种将物理模型和卷积神经网络相结合的迭代相位复原方法，在无需施加约束以及准备预训练的标记数据集情况下，可从单幅同轴数字全息图中高保真度地恢复出样品的复振幅分布，并充分抑制孪生像干扰。仿真和实验结果表明了该方法的可行性，再现像质量优于目前主流方法，即基于物理增强神经网络的方法可以进一步拓展太赫兹数字全息成像的应用范围。