合成孔径雷达干涉测量技术（Synthetic Aperture Radar Interferometry,简称InSAR）是一门融合了 SAR成像和干涉测量的新技术,并且在三维重建和形变监测方面取得了重大成就。由于InSAR系统无法直接通过干涉相位获取准确的地球物理量,相位解缠作为InSAR技术流程中的一个重要环节,能够通过缠绕相位还原真实相位,从而使整幅图像能够提供有意义的信息。一方面,深度学习技术正在深刻影响着各行各业的技术变革;另一方面,相位解缠技术亟需一些解缠效率和解缠准确率更高的算法,结合深度学习对其技术进行革新已经成为了一种必然趋势。由于缠绕相位的“相位连续分布”特性,缠绕相位总是以干涉条纹或者面状区域的形式存在,这无疑给“深度学习区域分割”的方法带来了可能。因此本文首先进行了“基于深度学习区域分割的单基线相位解缠技术”研究,通过卷积神经网络将缠绕相位分割为若干个“连续相位选区”,并建立以区域为对象的解缠模型进行解缠。仿真及实测数据将被用来验证该算法的有效性,实验表明区域分割的方法对解缠结果的稳定性有显著提高,改善了解缠结果的准确率。在“深度学习区域分割法的单基线相位解缠”取得明显成效的基础上,本文将深度学习区域分割的方法进一步推广到了多基线的相位解缠当中。通过分析多基线缠绕相位图的“同名点差分干涉相位等比例变换”特性,结合区域分割后“连续相位选区”的整周模糊数一致性特点,建立以整周模糊数为未知量的非线性超定方程组,进而完成对多基线缠绕相位图的解缠。该方法在多基线解缠当中取得明显成效,对绝对相位存在突变的复杂研究对象具备良好的解缠效果。上述研究均表明,引入深度学习区域分割方法的相位解缠技术表现出强大的活力,而深度学习对相位解缠技术的革新远远不止于在区域分割方面的应用。本文在研究区域分割的基础上,还提出了一种结合深度学习预测水平和垂直相位梯度的改进最小二乘解缠方法,整体上实现了“又快又好”的解缠。可以说,结合深度学习的相位解缠技术研究是InSAR相位解缠技术发展的一个关键,决定着未来解缠技术的发展方向。