光学扫描全息是一种单点扫描的特殊数字全息技术,它通过二维扫描将三维物体图像保存为二维图像。光学扫描全息技术作为一种特殊的数字全息技术,其具有传统数字全息技术的特点的同时也具有其不一样的地方。与其他数字全息技术相比,光学扫描全息具有分辨率高、时效性好的特点。然而,值得注意的是光学扫描全息的重建过程与其他数字全息技术一样面临着重重挑战,其中,光学扫描全息超分辨率成像中就存在自聚焦、重建、去噪等问题,本文通过采用时间反演技术、数字图像处理技术、深度学习技术解决自聚焦、重建、去噪问题。本文着重从理论分析、计算机仿真和实验验证等方面验证算法的可行性和优劣。有关光学扫描全息超分辨率成像的研究,本文主要从以下几个方面探讨:(1)从菲涅尔衍射原理、光瞳的光学传递函数出发推导光学扫描全息数学模型,分析了光学扫描全息重建面临的自聚焦和重建算法问题。同时,本文阐述了随机加密光学扫描全息技术中的去噪问题。(2)介绍基于时间反演多空间分解(TR-MUSIC)算法在光学扫描全息中的基本原理。通过MATLAB仿真实现光学扫描全息中单点定位,分析了多点定位面临的问题,并给出了一种去卷积的方法实现多点定位。通过MATLAB仿真实现基于TR-MUSIC的轴向定位,并分析了其分辨率、噪声、运算复杂度等特性。(3)介绍连通域算法的基本原理,MATLAB仿真实现了基于连通域算法的自聚焦与重建。然后,介绍凸优化重建与高次放大结合去噪的基本原理,并通过MATLAB仿真实现。(4)介绍神经网络的基本原理,提出了一种U型网络去除离焦噪声的算法,通过仿真实现了简单图像和复杂图像的去噪。然后,提出了一种深度学习结合二分法实现自聚焦的算法,并通过仿真实现。本文通过TR-MUSIC提高了光学扫描全息超分辨率成像中自聚焦问题的分辨率,通过深度学习结合二分法解决了深度学习自聚焦中泛化力低的问题,通过凸优化重建和深度学习的方法解决了现有去噪算法去噪效率低、不适用复杂物体的问题,同时,本文提出了一种利用连通域实现自聚焦和重建的方法,得到了无离焦噪声的重建图。