地基望远镜在天文学研究中的角色极其重要,地基望远镜观测技术的发展不断地提高了天文观测水平。除可观测到的行星以及恒星外,地基天文望远镜还可以对宇宙中的更加神秘的天体――黑洞进行更深层次地探索,除此之外,还可以对主宰宇宙成分的暗能量以及暗物质的分布以及其性质进行研究。近年来,天文观测的结果越来越精密,对望远镜成像的质量要求也日益严格,天文观测也引入了各种各样的新技术,这些技术的发展与应用极大地促进了地基望远镜光学系统的快速发展。地基望远镜观测过程中会受到外界环境的各种随机扰动,其中最主要的是大气湍流的随机干扰。大气湍流属于大气中的一种不规则的随机运动,湍流运动导致大气中每一个点的温度、速度以及压强等物理性质发生随机变化,严重地限制了地基望远镜的观测性能,导致成像系统的分辨率下降,采集图像变得模糊。因此,为了解决大气湍流干扰的问题,大型地基望远镜都陆续地配备了自适应光学系统。自适应光学系统中的波前传感器可对大气湍流造成的畸变波前进行实时测量,根据一定的算法就可以复原畸变波前,之后,自适应光学系统中的波前控制器就会驱使变形镜降低畸变波前的干扰。望远镜口径越来越大将对自适应光学系统内波前传感器以及变形镜等各种硬件要求越来越高。光学系统的数字孪生技术可以为地基望远镜光学成像系统的设计和测试提供一个可靠的模型,建立大气湍流随机扰动数字孪生模型可以重现来自高精度物理模型或真实测量的相位随机扰动。在望远镜系统设计、加工和应用前,随机扰动数字孪生模型能够提升光电系统生产和测试效率并为光电系统故障诊断提供依据。针对以上问题,本文提出了一种基于可理解深度神经网络的无限大气湍流相位屏建模方法。本方法使用两个深度神经网络来学习随机数空间和大气湍流相位屏空间的映射函数,首先使用深度生成对抗网络去学习满足一定分布的随机数与随机扰动相位屏的映射函数,之后利用深度自编码器神经网络去学习相位屏与随机数的映射函数;同时,提出了一种预测深度卷积神经网络,对随机干扰相位屏的时序进行映射建模,实现从前一阶段中提取的随机数映射生成下一阶段随机数,最后通过一定的算法将三个网络进行联接,实现输入一定分布的随机数后,就可生成无限长大气湍流随机干扰相位屏。本文提出的方法可以从任何大气湍流随机扰动相位屏中获得高精度、高质量、高速率的相位屏,为重现真实大气湍流带来的相位变化提供一种可能方法。此外,本方法还可以用于分析真实大气湍流的性质,为未来的地基望远镜及其相关光学仪器开发数字孪生奠定了基础。