相位解包裹在数字全息显微成像技术中占据着重要地位，是获取相位信息不可缺少的关键一步，而目前传统的相位解包裹算法进入瓶颈期，文章对利用深度学习进行相位解包裹研究方法加以改进，获取更好的实验结果。提出了一种改进U-Net的相位解包裹方法，在残差块之后加入通道注意力模块，并使用深度可分离卷积替代部分传统卷积，利用随机矩阵生成的大量模拟相位图作为数据集训练，达到对真实全息图相位解包裹目的，解决了光路不便获取大量数据集的难题。通过本方法不同实验全息图样本进行解包裹，并且与其它解包裹算法结果对比，实验结果表明，所提解包裹方法样品边缘更平滑，背景平坦，实验测试集与离散余弦解包裹结果的结构相似性指数从平均0.932提升至0.973

峰值信噪比由平均21.60提升至29.18。