本发明公开了一种面向微尺度光学色散的深度学习光谱重构方法。本发明提出了一种不需要大量的数据集且鲁棒性较强的深度学习模型，从而提升光谱重构的重构效果。与传统的基于深度学习的光谱重构方法不同，本发明在训练时将神经网络与色散元件对光进行调制的物理模型相结合，因此即使在微尺度色散结构的色散效果较弱的情况下，依旧可以有效地从调制后的光信号中重构出入射光的光谱信息。本发明具有较高重构精度，较好鲁棒性的同时不需要大量的数据集进行训练，有效减小了采集数据集和进行训练所需的时间成本，降低了对色散元件的色散效果的依赖。