相位解包裹技术是光学相位测量中获取连续相位信息的关键技术，解包裹的结果将直接影响测量的精度，因此相位解包裹在光学干涉测量中起着重要作用。随着相位解包裹算法的深入研究，解包裹算法虽得到了不少的完善，但是高噪声下的相位包裹解调却始终存在一些问题。如采用传统的相位解包裹算法不仅解调精度低，误差大，耗费时间也较长，甚至对于一些包裹相位都无法解调。近年来，深度学习技术在图像处理领域中获得了巨大成功，同时在光学检测领域也得到相应的延伸。基于此本文提出了基于深度学习的方法进行相位解包裹的深入研究，其主要研究内容如下：

1.提出了基于深度学习的语义分割算法进行包裹相位的解调。该方法是基于包裹相位的所属类别，进行相应的模型训练，然后将包裹相位和类别进行联合就能实现解调。本质是通过泽尼克多项式仿真生成的包裹相位数据，由公式得到所对应的包裹数即语义分割的类别数，其核心在于采用语义分割模型进行包裹相位的训练。

2.优化网络结构和改进ASPP模块。深度学习的语义分割模型在精度和速度上通常难以平衡，基于此本文提出了改进的轻量级的神经网络结构，在保证速度的基础上，精度也得到了提升。同时将ASPP模块中的扩张率进行了融合和修改，扩大了感受野，进一步提高了网络结构的分割精度。

3.针对包裹相位的类别不平衡问题，本文提出了常用于目标检测的一种损失函数，对于包裹相位的分割精度有明显提升。然后由包裹相位与类别数进行联合，根据相应的优化算法，可得解调后的高精度包裹相位。最后仿真和实验结果表明，同传统的相位解包裹算法相比，基于深度学习的方法对高噪声不敏感，具有很好的鲁棒性，能够完成高精度，快速度的相位解调。