当光穿过非均匀的介质（例如烟尘,浓雾,生物组织和毛玻璃等）时会发生散射,从而导致光束的波阵面失真,继而在成像平面上形成散斑图案,使得遥感观测、公共安全、生物医学等领域中光成像的发展受到阻碍。因此,散射成像成为光学领域的研究热点之一。计算全息成像作为一种新的成像技术,可通过空间光调制器（spatial light modulator,SLM）加载图像的相位信息,对光束波前进行调制,使其适用于更广泛的显示类型。但是光散射仍然被视为计算光学成像的障碍。显然,研究和探索如何从全息图的散斑图中恢复出目标图像,对计算光学成像的发展具有重要意义。本文对光波在随机散射介质中的传播过程进行研究、建模和仿真,提出一种编码-解码结构的生成对抗网络（Generative Adversarial Networks,GAN）并用于散射环境下目标的计算全息成像。主要研究工作有如下几个方面:（1）对随机散射介质中光波的传播特性进行了研究,统计上分析了随机散射介质的性质,模拟生成了传输矩阵。同时,基于单平面的GS算法恢复出纯相位计算全息图,且结合菲涅尔衍射理论和角谱理论,构建了计算全息散射成像仿真模型,对相位全息图透过随机散射介质成像进行了仿真。（2）基于物理先验知识和光学器件特性,设计和搭建了计算全息散射成像系统,通过编程控制实现了自动化大量图像数据的系统采集。（3）对具有生成效果的深度网络进行了研究和分析,提出了端对端的生成对抗网络结构,阐述了网络设计原理。同时改进原始生成对抗网络的损失函数,将L1范数、L2范数和结构相似性函数（Structural SIMilarity,SSIM）作为内容损失函数加入到最初的对抗损失函数中,既缓解了网络过拟合,也提高了成像质量。（4）探究了改进的生成对抗网络在毛玻璃和A4纸散射条件下、MINIST手写数字和Fashion-MINIST时尚单品数据集下以及三种损失函数下的重建能力。基于实验发现,通过毛玻璃的MINIST手写数字数据集在结构相似性函数作为内容损失函数时散斑图像恢复效果最佳。进一步实验探究中,选用与训练集完全不同的图像对网络进行泛化能力测试。实验表明本文所提的网络不仅具有良好的泛化能力,而且学习到了再现像散斑图到目标强度图间的函数关系。