吴羽峰，吴佳琛，郝 然，金尚忠，曹良才

（1. 中国计量大学 光学与电子科技学院，浙江 杭州 310018；2. 浙江省现代计量测试技术及仪器重点实验室，浙江 杭州 310018；3. 精密测试技术及仪器国家重点实验室，清华大学 精密仪器系，北京 100084）

引言

数字全息技术的记录过程是将物波和参考波的干涉图样记录为全息图，重建过程是对单幅全息图进行衍射计算，还原记录的全息图。该技术可实现三维成像，能够用于粒子场数字全息成像中粒子表征及粒子场反向重建。因此，数字全息技术已经应用到生物医学[1]、海水水质分析[2-3]、燃烧过程[4-5]、侵蚀过程[6]、流体力学[7-8]和目标跟踪[9]等多个领域。

深度学习算法是计算成像中一种很有效的工具[10-11]。深度学习就是在神经网络的基础上，通过添加中间层层数的一种学习网络。1986年，由D.E. Rumelhart教授的团队提出了反向传播（BP）算法，使深度学习算法开始在实践中得以应用[12]。后来由于BP算法的“梯度爆炸”问题，深度学习的研究进入了低潮。但在 2006 年 G. E. Hinton 提出深度信念网络的概念和新的训练方法，克服了深度学习训练过程中的瓶颈问题，掀起了深度学习算法研究的热潮[13]。在图像识别领域中，传统方法受环境影响大，识别率不稳定[14]，深度学习算法可以获得图像的多种特征，受外界干扰因素影响小，识别准确率高且稳定，使其在该领域得到广泛应用[15-16]。在语音识别领域，传统的语音识别方法在大量的语音数据中难以取得较好的效果，深度学习算法是以数据驱动的算法模型，可以从大量数据中进行对比分析并提取有用特征，使其在该领域得到广泛应用[17]。……