基于焦面图像信息的波前传感方法硬件实现简单、波前测量精度高,在自适应光学、主动光学领域具有较好的应用前景。然而,当前基于焦面图像信息的相位恢复、相位差算法等迭代次数多、耗时久;并且,随着像差系数范围以及维度的增加,其陷入局部最优的概率大大增加,严重影响波前检测准确性,制约了基于图像焦面信息波前探测方法的应用。目前,深度学习已经模式识别、数据挖掘等领域得到广泛应用,其与传统相位恢复等迭代算法相比,具有计算速度快(无迭代过程)、准确性高(无局部最优问题)等潜在优点。然而,深度学习在基于图像信息的波前检测领域应用较少,需要对深度学习模型进入深入探索与研究,以提高深度学习方法在波前探测领域的精度与实用性。本文主要包含如下几部分研究内容:针对基于点目标图像信息的波前探测问题,本文分别提出了基于卷积神经网络与基于LSTM网络的深度学习模型,其能够利用具有固定相位差异的两幅PSF图像求解像差系数。仿真与实验结果表明,基于LSTM的神经网络具有较高精度与计算效率。针对基于任意目标图像信息的波前探测问题,本文首先提出一种特征图像提取方法,其利用具有相位差异的两幅图像频率域的特征提取,得到一幅与目标信息无关、仅与光学系统波前相位信息相关的特征图像;在此基础上,相应提出了基于LSTM网络的深度学习模型,能够从一对具有相位差异的任意目标图像中求解波前相位。针对噪声问题,本文基于N2N去噪理论以及残差神经网络,提出一种去噪方法。实际中可首先对图像进行去噪处理,再将其输入LSTM网络中求解波前相位信息。通过仿真与实验验证了本文所提出方法的有效性。针对于基于任意带宽光谱以及任意光谱光谱分布的任意目标图像信息的波前探测问题,本文首先基于矩阵理论提出一种特征图像提取方法,其利用具有相位差异的两幅图像,通过在频率域的特征提取,得到一幅与光源光谱分布、目标信息无关,与光学系统波前相位信息和光谱范围相关的特征图像。在此基础上,相应提出了基于深度LSTM网络的深度学习模型,以利用所提取的特征图像信息计算出瞳波前相位信息和恢复目标图像。进行了仿真与实验,结果表明,本文提出模型在精确的计算波前相位信息的同时,恢复出清晰的原始目标图像。本文通过提出并改进用于波前探测的深度学习模型,对于提高基于图像信息波前探测方法的性能具有重要意义。