传统光学显微镜是通过透镜组合的方式将物体所成的像放大,从而进行观测。通过在显微镜系统上增加CCD器件以便采集数据,之后对采集的数据进行光电信号转换后,就可通过显示器观察成像。但是CCD成本较高,并且在光源是不可见光时,CCD就不适用了。单像素成像技术可以在没有直接来自物体的光的情况下捕获场景信息,并且类似于压缩采样的方法,节约时间和成本,拓宽显微镜成像的光谱范围。其中傅里叶单像素成像技术在采样率较高的条件下可以实现高质量成像,但是频谱采样率低的时候,其捕捉的图片质量却不够高。对于成像的质量较低问题,滤波去噪等后处理的方法被应用,尤其是深度学习的方法得到了广泛的研究。深度学习的一些方法可以不经过中间过程,完成端对端的学习。因此,本文对深度学习提高单像素传统光学显微镜成像质量进行研究,主要工作内容包括:本文首先根据傅里叶单像素成像技术原理,使其应用在传统光学显微镜成像上,搭建了一套完整的实验系统,并通过实验获取单像素显微镜对标本所成的图像。介绍深度学习的原理,说明深度学习为何可以提升图像质量。之后介绍了三种基于卷积神经网络的深度学习模型,分别是三层、十层以及十九层网络结构,利用制作的对应数据集对网络模型进行训练和测试,并对改进的模型进行了验证,说明了更深的网络拥有更好的优化结果。将相同图像输入到不同深度学习模型,定量分析不同模型的单像素成像结果的影响。最后通过将单像素实验捕捉的图像作为深度学习模型的输入,可以实时得到输出图像。通过调节模型中的结构、参数,收敛速度等使其更加适合训练实验图像。另外,进一步对训练集进行处理,由于实验中孔径光阑的存在,对训练集限定圆形区域并加入高斯噪声信号,分析其对结果的影响。之后直接将数据集裁成圆形进行训练,通过圆形的实验图像说明了深度学习对单像素显微成像结果的影响。