鬼成像是一种利用光场强度关联特性实现间接成像的新型技术。与经典光学成像不同的是鬼成像需要两束光,其中一束光叫做信号光,这束光照射物体后由一个没有空间分辨能力的探测器测量,另一束光叫做参考光,这束光不与物体相互作用而是直接由一个CCD相机进行空间分辨测量。互关联两探测器的信号就可以重建物体的像。正因如此,鬼成像被证实在诸多方面存在明显的优势,例如具有较强的抗干扰能力和超分辨本领等。然而,鬼成像也有一些缺点,例如成像耗时长、重建质量差等,这严重阻碍其大范围的应用。本文讨论了基于深度学习方法来改善鬼成像的成像品质,缩短成像时间和提高成像质量。因为计算鬼成像比传统的双光路鬼成像更具有实际应用价值,所以本项研究主要针对计算鬼成像展开。具体内容如下:1.通过多尺度生成对抗网络改善计算鬼成像在湍流环境中的成像质量。有研究表明计算鬼成像不能实现抗大气湍流干扰的成像,这是因为计算光场不可能受到与测量光场相同大气湍流扰动的影响。为此,我们利用一个多尺度生成对抗网络（A multi-scale generative adversarial network Ms GAN）对计算鬼成像输出的信号进行处理,实现图像重建。研究结果表明经过训练后的网络可以在大气湍流的环境中重建出视觉效果较好的图像,在一定程度上改善了重构图像由于湍流造成的视觉模糊等问题。2.将压缩感知算法和卷积神经网络算法相结合改善计算鬼成像的成像品质。在本方法中,计算鬼成像数据处理算法由一个基于卷积神经网络（A convolutional neural network CNN）的压缩感知（Compressed sensing CS）算法进行了优化。研究结果表明在相同的采样条件下,该方法可以获得比传统计算鬼成像更高质量的重建图像。我们将这一算法与常规压缩感知算法和深度学习算法在相同条件下的重建效果进行了分析比较。结果显示,本方法重构图像的质量在峰值信噪比和结构相似度上均优于其它两种方法。3.基于深度压缩感知方法改善计算鬼成像的成像质量,减少了数据采集量,缩短了成像时间。为了进一步减少采样数量,我们利用一个基于深度卷积生成对抗网络（A deep convolution generative adversarial network DCGAN）的压缩感知算法对传统计算鬼成像的数据处理算法进行了优化。压缩感知理论用于处理常规计算鬼成像设备输出的数据,将处理后的数据输入到网络中训练,重建图像。研究结果表明本方法在采样数量很少时也可以重构出高质量的图像。除此之外,这一方法还可以很好地消除图像的背景噪声,进一步改善成像质量。定量的研究表明本方法的效果优于基于卷积神经网络的压缩感知算法。