相位解缠作为合成孔径雷达干涉（Interferometry Synthetic Aperture Radar,InSAR）数据处理中的不可或缺步骤,对最终提取的高程参数具有决定性的作用。传统相位解缠算法存在精度与效率无法兼顾的问题,深度学习具有强大特征表示能力和非线性逆问题的求解能力,且完成训练后的网络通常可高效率完成其指定任务,使之在干涉图相位解缠领域具有潜在的优势。论文在深度学习理论与技术框架下对干涉图相位解缠进行研究,主要内容如下:（1）对InSAR技术原理以及经典相位解缠算法,包括枝切法、质量引导算法、迭代最小二乘相位解缠算法、最小费用流相位解缠算法、无迹卡尔曼滤波相位解缠算法等方法进行研究,并通过模拟和实测干涉图解缠实验分析其性能。（2）提出一种自适应噪声量级评估的深度学习相位解缠方法。该方法以UNet3+为主框架,融合全尺度跳跃连接与残差网络,创建从缠绕相位到解缠相位的直接映射关系;其次,利用质量图与残差点信息设计一种干涉图噪声量级评估系统,对干涉图的噪声量级进行划分,并利用多组不同噪声量级的训练集分别对同一深度学习网络架构进行训练,得到适用于不同噪声量级干涉图相位解缠的解缠网络;最后,对待解缠干涉图的噪声量级进行划分,将其匹配至对应噪声量级的网络进行解缠。该方法在模拟和实测干涉图相位解缠实验中获得了稳健的解缠结果的同时,显现了较大的效率优势。（3）提出一种深度学习语义分割相位解缠方法。首先,通过多尺度跳跃连接网络求取干涉图相位包裹数,获得其初始解缠相位;其次,针对初始解缠相位中的不连续相位,利用“最小不连续思想”对其进行修正,提高解缠精度;最后,对较大规模干涉图相位解缠进行了探索,结合卡尔曼相位解缠方法,解决含噪的较大规模干涉图的相位解缠问题。