深度学习已成为现今科研领域的一大热点之一。在数字全息中,深度学习解决了过去许多难以实现的问题,例如自聚焦、像差补偿等。但是深度学习算法对数据集的要求较高,一是要求获得大量成对的训练数据集,二是需要理想物体分布信息作为标签,三是重构精度受数据采集中的噪声影响较大。论文聚焦于深度学习在数字全息重现中的应用,并着力解决以上三个问题。本文介绍了数字全息再现的原理,并且详细介绍了衍射再现算法,以及傅里叶变换法和相移法这两种去除零级像和孪生像的方法。还介绍了消除相位畸变和提高分辨率的方法。提出了利用机器学习中的无监督算法——主成分分析法,解决结构光数字全息显微术中相位解调、相位畸变补偿和精确移频等方面的问题,并利用实验验证了所提出的算法。提出了一种新的在非配对数据下端到端的深度学习框架,它使用了循环一致的网络结构,将标签图像和实际记录的全息图输入到网络中进行训练。实验证明该方法具有三个优点:(1)打破了传统数据配对的限制,标签集和训练集可以无关;(2)训练数据大大减少,即使标签集的数量是训练集的一半时,利用该网络也可以很好地重建全息图;(3)该方法具有较强鲁棒性,提出的算法不受标签随机位移和旋转的影响,因此,比传统的深度学习算法具有更高的准确性。此外,它也能克服由成像系统产生的相位畸变和离焦像差。提出了一种基于深度学习算法来抑制数字全息再现图像中散斑噪声的方法。它不需要无噪声的图像作为标签,只需通过计算成对的、具有随机噪声分布的图像,来获得降噪模型。因此,降低了对实验系统稳定性的要求,无需物体的真实分布作为标签,增强了算法的实用性。实验证明了提出的深度学习算法不仅能去除噪声,而且能最大限度的保留了物体的细节信息。同时,为了证明这一算法的普适性,还将这一算法扩展到了计算全息成像领域中,实验证明了这一算法不仅可以达到与利用无噪声图像训练相同的效果,还可以利用同一算法抑制二维和三维物体的散斑噪声。