1.一种基于卷积神经网络的散射场相位恢复方法，其特征在于：通过训练后的CNN将测得的无相位总场数据恢复为散射场数据，通过理论计算生成数据集，建立无相位总场数据与散射场之间的关系，然后搭建U-net神经网络；U-net神经网络训练完成后，观察损失函数是否收敛。

2.如权利要求1所述的基于卷积神经网络的散射场相位恢复方法，其特征在于：所述无相位总场数据与散射场之间的关系通过以下方式建立：假定某未知物体存在于自由空间背景下的目标区域D, 内，假定该目标区域被剖分后的网格总数为N，每一个网格的位置为rn，n＝1,2,3...,N；而在该区域外侧，安装有发射天线和接收天线，发射天线位置表示为rp,p＝1,2,…,Ni，接收天线位置表示为rq,q＝1,

2,…,Nr，可获得Ni×Nr个散射场数据；设散射体由非磁性且各向同性的非均匀媒质组成，应用散射场Esca(rq)求解目标区域D内的介电常数分布ε(rn)：由Lippmann-Schwinger电场积分方程，得到总场积分方程：其中Einc(r)表示位于区域内部r处的入射场；χ(r)＝(ε(r)-ε0)/ε0为区域内的对比度函数；k0表示自由空间中的波矢；格林函数 表示一个位于空间r′处的点源对其周围空间某点r所产生的场， 表示零阶第一类汉克尔函数；

散射场积分方程：

其中Esca(rq)表示位于rq处的接收天线接收到的散射场的信息，对比源为对比度和总场的乘积，定义为：

I(r)＝χ(r)Etot(r)  (3)

将公式(1)-(3)离散化：

其中⊙表示对应元素相乘，格林函数 为离散后的格林函数G(rq,r')的积分算子，为离散后的格林函数G(rn,r')的积分算子；把公式(6)计算出来的感应电流代入到公式(5)中，计算得出所需的散射场数据。公式如下：其中 代表单位矩阵。

无相位总场的定义如下：

其中 表示在无未知散射体时，接收天线接收到的场信息。

3.如权利要求2所述的基于卷积神经网络的散射场相位恢复方法，其特征在于：所述搭建U-net神经网络具体如下：U-net神经网络的左侧是一条收缩路径，由卷积和池化操作组成，左侧每一层都先经过两次卷积操作；每个卷积都经过批量归一化(Batch Normalization，BN)和激活函数(ReLU)处理，然后最大池化合并操作进入下一层，在每个下采样步骤，图片尺寸缩小一半，同时特征通道的数量加倍；U-net神经网络的右侧是一条扩展路径，扩展路径用于恢复矩阵，每个步骤都包括特征图的上采样，然后是反卷积，将特征通道的数量减半，同时矩阵尺寸增加一倍，用于将矩阵恢复到原始大小；由U-net神经网络的每个卷积层获得的特征图连接到相应的上采样层。

4.如权利要求1所述的基于卷积神经网络的散射场相位恢复方法，其特征在于：选用均方误差(Mean-Square Error,MSE)作为U-net神经网络的损失函数。