随着计算机和全息技术的进步,计算全息和相位编码技术在光学成像领域得到了广泛的应用。特别是在光学信息安全领域,利用基于计算全息和相位编码的光学成像技术对信息进行安全处理已经成为了一个重要的研究方向。近些年来,研究人员提出了多种不同的可用于信息安全加密的成像技术和方法。与此同时,深度学习逐渐兴起,并在图像识别和语音识别领域获得了巨大成功。如何将深度学习运用于光学成像及光学加密,使之成为解决相关领域难题的利器,成为科研人员的研究重点之一。本文提出了一种基于两步优化生成可认证的纯相位计算全息图的方法,并设计了一种基于深度学习和全息散斑成像的光学图像加密系统,其主要内容概括如下:1.提出了一种可认证纯相位计算全息图的生成方法,该方法可用于全息相位优化计算和图像的隐写加密。为了实现基于全息成像技术的图像隐写,设计了一种相位约束条件下的两步相位优化算法,通过该算法可计算生成具备认证功能的纯相位计算全息图。该方法具有以下特点:一是安全性高,破解者无法通过生成的计算全息图或者其衍射像得到原图（即隐藏图像）,认证密钥和解密密钥的共同使用增加了安全等级;二是提升了图像重建质量,通过相位优化,减少了衍射像中的散斑噪声和直流噪声;三是解密效率高,使用者可以通过认证密钥对计算全息图进行认证,这也方便了密钥与密文的配对。2.设计了一种基于深度学习和全息散斑成像的光学图像加密系统。该系统利用混合非迭代方法实现了图像的隐写加密,将一幅秘密图像加密为合成纯相位全息图,解密则由密集型卷积神经网络完成。在该方法中,如果不对合成全息图进行预解密,那么由其直接进行光学衍射得到的是宿主图的重建像,这样既迷惑了攻击者,又为全息图与对应的解密密钥提供了一个配对的方式。为了得到秘密图像,则需要对合成全息图先解密再进行衍射,衍射图像则作为经过训练的密集型神经网络模型的输入,其输出即为解密图像。神经网络的训练过程则是为了得到秘密图像和由解密后的全息图光学衍射得到的散斑成像图之间的关系。实验表明,虽然使用解密密钥之后由光学衍射得到的图像看似白噪声分布,但由于神经网络的非线性特征,最后仍能重建得到高质量的原图,即秘密图像。