极弱光成像即在光强非常弱的情况下探测目标,结合一系列后处理算法得到更清晰的信息更丰富的图像。此时光信号更多呈现粒子特性,通常采用光子计数实现成像。极弱光成像极大的扩大了人类的可探索场景,在天文、生物医学、军事遥感等各个方向有着重要的应用。随着探测器件的发展,尤其是单光子探测器的出现,极弱光成像得到了迅速发展。近年来深度学习在各个领域大展身手,其强大的学习能力引起了人们的广泛关注。它被尝试应用于各种领域,实现比传统方法更好的效果。而在极弱光成像领域,还没有人做过这样的尝试。本文探索了将深度学习与极弱光成像相结合,主要内容包括了以下几方面:(1)基于深度学习的极弱光下图像超分辨研究:将单光子阵列探测器(SPC)在极弱光条件下探测目标和深度学习相结合,既利用了SPC超高的探测灵敏度,实现在极弱光条件下的计数成像,同时也发挥了深度学习的特长,解决了SPC探测过程中存在的固有的低分辨和低信噪比问题。针对我们的方案,我们设计了合理的实验数据采集方案,并将通过其采集的数据用于我们的算法网络训练测试,通过实验结果验证了方案的可行性。结果表明,我们提出的这种方法既解决了传统极弱光成像需要多次平移探测、校准对齐带来的难操作难处理问题,每个目标只需探测一次,便可用训练好的网络同时实现去噪和四倍分辨率的提升,同时也实现了在平均每像素只有0.2光子的条件下仍有效成像。(2)基于深度学习的极弱光下散射成像研究:首次关注了极弱光和散射同时存在的复杂情况下的成像问题。我们提出了一种将深度学习与之结合的方案,然后通过实验对其进行了验证。这种方案不受SPC探测的低分辨特点影响,将其看作数据的下采样仍足够实现散射成像。同时该方案不受散射模型限制,且实验结果表明,这种方案在平均每像素只有12个光子数的极弱光条件下仍有效。本论文重点关注了深度学习在极弱光探测、极弱光散射成像两方面的应用。从理论的提出,算法的设计到实验验证,我们证明了深度学习这种方案的可行性,用深度学习的优点弥补了传统极弱光探测方案的操作难度和传统算法的低泛化能力,为极弱光成像提出了一种新的解决思路。