细胞是生命体最基本的结构和功能单元,对其形态结构等信息的识别分析在生命科学、临床医学等领域具有重要的意义。大多数细胞无色透明,属于相位物体,传统显微镜难以对其成像。定量相位成像技术可以将光波中非直接可见的相位信息调制为易于观测和提取的振幅信息,从而反演出样品的形态结构信息,实现对相位物体的非接触、无损伤、动态化和定量化地观测。应用该技术在细胞识别分类以及疾病诊断流程中可以有效地提高分析效率,并降低主观性误差。但是利用该技术观测异形或内部结构复杂的样品时,由于样品的折射率分布和物理厚度耦合在相移信息中难以分离,这使得后续定量参数的提取较为困难,同时人工制定的分析参数存在着覆盖面不全、特征度不够的情况。因此关于自动化识别与分析样品定量相位信息的研究还有待进一步深入。本文提出了一种利用深度学习技术根据样品相位分布的不同对多种相位体进行识别分类的方法。采集了四类轮廓相似的样品的相位图像,并优化经典的卷积神经网络模型以进行识别分类。在此基础上对样品数据改造以进一步缩小样品间的区分度,实验结果表明经过训练的卷积神经网络对多类样品的相位分布图像具有良好的识别能力。为简化识别流程,本文进一步探究了直接基于干涉相位成像技术采集的干涉条纹图对相位体进行识别分类的方法,从而避免了相位数值重构的繁琐计算及其可能引入的误差。引入残差块结构并分别测试了卷积神经网络和残差网络对干涉条纹的识别能力。改变条纹空间频率和可见度,通过对比实验分析出网络模型对不同调制因子下干涉图的识别性能波动规律。进而总结出一种高效识别干涉条纹的深度学习训练策略,并通过实验初步证明了该策略的可行性和准确性。本文引入了一种整合光散射信息的流式相位显微系统以拓展深度学习相位识别类别的局限。该系统可同时批量获取样品的相位信息及光散射信号,结合仿真与实验表明可利用散射信号定性分析样品内部结构并由此辅助相位分析提取样品的形态特征和亚结构定位信息。