近年来,深度学习的应用越来越广泛,已经成为许多现代人工智能应用的基础。卷积神经网络以其强大的图像特征提取和学习能力成为最有潜力的深度神经网络模型之一,已大量应用于图像的识别与分类、SAR图像分类、光学干涉图重构等领域。相位解缠是合成孔径雷达干涉测量（Interferometry Synthetic Aperture Radar,InSAR）应用中的关键技术,同时亦是InSAR数据处理诸多过程中最为重要的步骤。目前,传统的相位解缠算法存在精度与解缠效率难以兼顾的问题,论文将瞄准InSAR智能化发展趋势,在深度学习理论框架下开展相位解缠技术研究,主要研究内容如下:1.分别对传统相位解缠算法包括路径跟踪类、最小范数类、非线性滤波类相位解缠算法进行研究,并在模拟和实测地形干涉图相位解缠实验中对各算法进行了分析与比较。2.针对复杂的相位解缠问题提出了一种基于全卷积Dense Net的相位解缠算法。模型架构中包含卷积层串联结构的密集块,使网络在干涉图特征提取与细节保持之间取得更好平衡,有利于提高网络的相位解缠精度与训练效率。实验结果表明该算法可对高信噪比干涉图具有较好的解缠效果。3.把U-net架构、空间金字塔池化（ASPP）网络以及瓶颈残差网络结合起来,提出了一种改进后的U-net相位解缠算法。该算法以U-net架构为基础,搭建鲁棒性较强的相位解缠网络,建立从缠绕相位到真实相位的映射关系;ASPP网络结合多尺度信息和扩张卷积的优势,将不同扩张率的扩张卷积特征图结合到一起来捕获丰富的上下文信息,能够在不牺牲特征空间分辨率的同时扩大特征接收野,有利于精确获取缠绕干涉图特征信息,增强了相位解缠算法的稳健性;瓶颈残差网络可使网络模型在减小参数计算量的同时防止网络退化,提高网络训练精度与效率。模拟与实测干涉图解缠结果表明该方法可获得与其他同类深度学习算法相比更稳健的结果。此外,为了配合上述算法研究,开展对InSAR数据集构建方法的研究,创建了由模拟地形、准实测地形以及数字高程模型数据产生的干涉图数据集。