本文提出了一種適用于離軸數字全息術的快速高精度自動調焦方法，通過整合區間分片并行搜索技術與黃金分割優化算法，有效解決了傳統自動調焦方法存在的效率低和精度不足問題。研究團隊來自上海大學機電工程學院，在動態成像、復雜樣本觀測等實際應用場景中驗證了方法的有效性。

傳統自動調焦技術主要依賴焦點指標函數對重建圖像進行評價，但存在兩大核心缺陷：其一，固定步長的遍歷式搜索算法在樣本特征復雜時計算量劇增，難以滿足實時成像需求；其二，多數焦點指標在最佳焦平面附近曲線平緩，導致定位精度受限。針對這些問題，本研究創新性地構建了雙階段協同優化框架。

在粗搜索階段，采用并行角譜傳播技術將初始調焦范圍劃分為多個子區間，分別進行焦點指標計算。這種分片并行策略相比傳統單線程搜索，理論上可提升計算效率3-5倍。特別設計的AMP（振幅平方和）指標通過分析目標波場與參考波場的干涉特征，能在各子區間快速篩選出包含最佳焦平面的候選區域。實驗表明，該階段可將有效搜索范圍壓縮至原始的1/20-1/10，顯著提升后續優化效率。

細搜索階段引入黃金分割優化算法，結合改進的ADFrFT（振幅差分分數傅里葉變換）指標，實現亞像素級精度的焦平面定位。ADFrFT指標通過提取分數傅里葉域中的振幅差異特征，有效克服了傳統指標在相位物體中的靈敏度不足問題。黃金分割算法的引入使迭代次數減少約40%，同時通過動態調整搜索步長，確保在曲線極值附近實現高精度收斂。數值模擬顯示，該方法在典型樣本（振幅型/相位型/混合型）上定位誤差可控制在0.1μm級別，達到當前最優方法的95%精度。

研究團隊通過系列對比實驗驗證了方法優勢：在同等硬件條件下（CPU運算，2592×1944像素CCD，532nm激光光源），新方法平均調焦耗時較傳統梯度下降法縮短62%，較粒子群優化算法快28%。在包含噪聲（信噪比>15dB）和動態物體（采樣頻率50Hz）的復雜場景中，焦點定位穩定性提升37%，圖像重建清晰度達到專業級標準。

技術實現上，系統采用模塊化設計：預處理模塊通過空間濾波和光路準直確保光場質量；并行計算模塊采用多線程架構，每個子區間配置獨立的數值傳播線程；優化模塊通過自適應步長控制算法，在初始階段采用大步長快速收斂，后期轉為小步長精確搜索。這種架構設計使方法同時具備高吞吐量和低延遲特性，特別適用于工業在線檢測（平均處理速度達120幀/秒）和生物顯微動態觀測（時間分辨率<20ms）等實時應用場景。

方法創新性體現在三個方面：首先，構建了"分片并行-動態優化"的雙層搜索架構，既突破傳統單線程搜索的計算瓶頸，又通過自適應步長控制解決了局部極值鎖定難題；其次，開發了具有理論普適性的AMP-ADFrFT混合指標體系，前者在粗搜索階段提供快速篩選能力，后者在精調階段實現亞像素精度；最后，引入硬件加速優化策略，通過指令級并行和內存訪問優化，使CPU運算效率提升3倍以上，為實時應用奠定基礎。

實驗驗證部分采用標準測試樣本集，包括牛頓環、微機械結構（MEMS）、生物細胞（如HeLa細胞）等典型樣本。在相位敏感的測試案例中，ADFrFT指標展現出比傳統振幅指標高2.3倍的靈敏度。通過引入 golden-section算法的變體，開發出具有三次收斂特性的改進算法，將平均迭代次數從傳統方法的8-12次降至5-7次，計算效率提升約30%。

實際應用測試表明，該方法在動態物體追蹤（如微流體中的細胞遷移）中保持穩定調焦，跟蹤頻率達30Hz時定位誤差仍小于0.05μm。在工業檢測場景中，處理速度達到120幀/秒，定位精度穩定在0.1μm以內，滿足SMT（表面貼裝技術）等精密制造領域的要求。研究還發現，該方法對噪聲具有顯著魯棒性，在背景噪聲增加5dB的情況下，焦點定位誤差僅擴大12%，遠優于傳統方法。

未來改進方向包括：1）開發GPU加速模塊，進一步提升并行計算效率；2）研究多尺度焦點指標體系，以處理深度超過200μm的復雜樣本；3）探索機器學習輔助的焦點預判技術，結合卷積神經網絡實現實時自適應調焦。該研究已獲得國家自然科學基金（No.62475141）資助，相關算法正在開發為開源軟件包，計劃在2024年應用于智能顯微鏡和工業在線檢測系統。

研究結論指出，通過合理分配搜索空間與優化算法資源，新方法在計算效率（提升40-60%）和定位精度（達0.08μm）方面均實現突破性進展。特別在混合樣本（同時包含振幅和相位信息）處理中，焦點定位誤差比現有最優方法降低23%，重建圖像信噪比提升18%。這些技術突破為數字全息術在智能光學、生物醫學成像、精密制造等領域的廣泛應用奠定了基礎，具有顯著產業化應用前景。