散斑在轴向的退相关现象是制约散斑干涉测量适用性的关键问题之一，为了提高散斑场的纵向相关性，从而提高散斑干涉图像的条纹对比度，扩大物体离面形变的测量范围，提出一种对散斑场进行相位编码调制的方法，即将波前编码技术扩展景深的方法用于散斑场编码，在孔径光阑位置上放置立方型相位板实现相位调制。首先分析了该编码调制方法用于提高散斑场纵向相关性的可行性，然后基于4f 系统模拟仿真并实验验证了通过相位编码调制提高编码散斑场的纵向相关性的实际效果。结果表明，编码后散斑的纵向尺寸从0.17 mm 提高到0.4 mm
由于受到水面的高反光性和波纹等边缘特征的影响,传统的水面目标识别算法不能很好地识别出目标。为此,提出基于深度学习的水面目标识别算法。首先采集大量的目标样本并对其进行标注,然后根据YOLOv3(You Only Look Once v3)算法的原理对算法的参数和网络结构进行优化,随后采用深度卷积神经网络的方法对目标样本进行训练。采用对目标样本进行数据增强的方式以适应不同环境进而提升算法的鲁棒性,采用相位相关性水岸线识别算法来提高识别速度。最后使用所提算法的网络结构训练所得的权重文件建立水面目标识别
