1.一种基于深度学习的数字全息包裹相位畸变补偿方法，其特征在于，方法包含网络训练和全息测量两个阶段，分为如下步骤：a.网络训练阶段的步骤为：

通过计算机自主生成仿真包裹相位图数据训练神经网络模型，获得训练好的神经网络模型；

b.全息测量阶段

利用训练好的神经网络模型对待测样本进行处理获得待测样本的三维轮廓分布。

2.根据权利要求1所述的基于深度学习的数字全息包裹相位畸变补偿方法，其特征在于：所述网络训练阶段具体为：步骤一：通过计算机生成大量随机的Zernike多项式系数A，利用Zernike多项式系数A通过Zernike多项式拟合出若干连续二维曲面作为相位畸变，并将相位畸变叠加在和待测样本同样种类的微结构相位上以构建微结构相位畸变分布步骤二：将微结构相位畸变分布 转为复指数，求取复指数的相位角得到数值在[‑π,π]范围内的仿真包裹相位图φ；

步骤三：建立神经网络模型，将仿真包裹相位图φ作为神经网络模型的输入，以对应的Zernike多项式系数A作为神经网络模型的标签，对神经网络模型进行训练，获得训练好的神经网络模型。

3.根据权利要求1所述的基于深度学习的数字全息包裹相位畸变补偿方法，其特征在于：所述全息测量阶段的步骤为：S1：搭建数字全息光路对待测样本进行测量记录待测样本的全息图，根据全息图进行数值重建获得待测样本的物光复振幅U，计算物光复振幅U的包裹相位图并输入到训练好的神经网络模型中，输出Zernike多项式系数Ac；

S2：利用Zernike多项式系数Ac拟合出相位畸变 并将拟合出的相位畸变 的共轭复指数 与物光复振幅U相乘，得到已补偿大部分相位畸变的预补偿包裹相位图；

S3：对预补偿包裹相位图进行相位滤波和相位解包裹，获得仅含有小部分相位畸变的连续相位分布 对连续相位分布 进行边缘增强和局部自适应阈值分割，得到仅表征背景区域的二值化掩模；

S4：利用二值化掩模提取连续相位 中背景区域的相位数据，根据背景区域的相位数据构建Zernike多项式方程组，求解出残留畸变的Zernike多项式系数Ar，利用残留畸变的Zernike多项式系数Ar进行Zernike多项式拟合得到残留畸变相位分布S5：在连续相位分布 中减去相位分布 恢复获得待测样本的真实相位，对真实相位进行波长换算输出获得待测样本的三维轮廓分布。

4.根据权利要求1所述的基于深度学习的数字全息包裹相位畸变补偿方法，其特征在于：所述的神经网络模型为resnet50。

5.根据权利要求1所述的基于深度学习的数字全息包裹相位畸变补偿方法，其特征在于：所述S1中，数字全息光路是同轴、离轴、显微、多波长或超分辨结构等任何全息光路。

6.根据权利要求1所述的基于深度学习的数字全息包裹相位畸变补偿方法，其特征在于：所述待测样本为任何用于全息成像的微结构，为透射型样本或者反射型样本。

7.根据权利要求1所述的基于深度学习的数字全息包裹相位畸变补偿方法，其特征在于：所述S1中，数值重建包括依次进行的第一步的相移或空间滤波步骤以及第二步的菲涅尔衍射法、卷积法、角谱法或压缩感知再现步骤。

8.根据权利要求1所述的基于深度学习的数字全息包裹相位畸变补偿方法，其特征在于：所述S3中，边缘增强是通过叠加连续相位的梯度和梯度二值化结果来实现，局部自适应阈值分割是单独计算连续相位中每个像素的阈值并进行二值化处理。