1.一種基于單幀焦面光強圖像的深度學習波前復原方法，其特征在于，通過以下步驟實現：

步驟1：設計基于walsh函數相位調制的波前傳感器；

步驟2：驗證步驟1設計的所述波前傳感器是否可以保證遠場光斑分布僅對應一個波前信息，即解唯一；

步驟3：若解唯一，則根據步驟1的設計得到一一對應的遠場光斑與近場波前數據，作為數據集，若解不唯一，則重復執行步驟1再次設計傳感器，直至解唯一；

步驟4：配置深度學習環境，搭建學習網絡；

步驟5：將數據集數量的90％作為訓練集，使網絡學習到遠場光斑與近場波前的對應關系，剩余的10％樣本做為驗證集，調整并驗證網絡的正確性；

其中，所述步驟1中walsh函數形狀的選取應滿足其調制相位為非180°旋轉翻轉對稱；

所述步驟2中判斷基于walsh函數對近場波前相位調制后是否獲得唯一對應的遠場光斑分布的理論基礎為：

對于互為180°旋轉翻轉對稱的一組波前波前與其相位滿足：

即兩個波前對應的遠場，在忽略系數的情況下，其復振幅可以分別表示為：

式中(x,y)和(x₀,y₀)分別為近場和遠場的笛卡爾空間二維坐標，(u,v)為頻域坐標；可看出U_far(x₀,y₀)與U′_far(x₀,y₀)實部相等、虛部符號相反，則其對應的光強分布：

|U′_far(x₀,y₀)|²＝|U_far(x₀,y₀)|² (4)

這說明波前與對應相同的遠場光強分布；

walsh函數中存在非180°旋轉翻轉對稱的形狀，利用該特性調制波前，假設相位片附加的離散像差為且：

則，

進而保證，

|U′_far(x₀,y₀)|²≠|U_far(x₀,y₀)|² (7)

即保證了遠場光斑與近場波前的一一對應，也就是保證了遠場反演波前解的唯一性；

因此，判斷解是否唯一，只需比較互為180°旋轉翻轉對稱的近場波前對應光強分布|U′_far(x₀,y₀)|²與|U_far(x₀,y₀)|²是否相同，相同則不唯一，不相同則唯一；

所述步驟3中數據集的數量應為萬組以上，保證數據樣本充足的同時，滿足數據的多樣性；

所述步驟4中的學習網絡是卷積神經網絡CNN。