透过散射介质对目标进行准确的重建仍然是阻碍人们对深层生物组织成像分析和深空天文观测的主要挑战之一。基于深度学习的散射计算成像方法虽然在成像质量和效率等方面取得了很大的进展，但是针对实际系统中散射介质状态不固定，目标结构具有较高复杂度以及可获取的训练散射数据有限的情况下，单纯利用数据驱动的方法已无法进行准确高效的重建。将散斑相关原理和卷积神经网络强大的数据挖掘和映射能力进行有效的结合，进一步挖掘和利用散斑所包含的冗余信息，实现了仅利用一块薄散射介质对应的散斑数据即可实现透过具有不同统计特性散射介质的复杂目标重构。该方法针对实际散射场景复杂多变和训练样本数据有限的情况，实现了对复杂目标的高质量恢复，有力地推动了基于物理感知的学习方法在实际散射场景中的应用。