计算成像技术[1]通过获取目标的二维空间信息以及逐个像素点的一维光谱信息,最终组成的图谱结合的数据立方体。随着压缩感知(Compressive Sensing,CS)理论在各个领域应用和实践的展开,光谱成像技术也开始将CS重建方法应用于其中,如贪婪迭代法[2]或者凸优化法[3]等,通过求解优化问题来恢复多光谱图像。然而,传统的CS重建方法通常在空间分辨率和迭代时间之间进行折衷,难以实现高质量的快速多光谱图像重建。因此如何能够快速且高质量的实现多光谱图像重构成为了光谱成像技术中一个亟待解决的问题。本文重点研究了基于深度学习的多光谱编码图像近实时重构关键技术,主要完成工作如下。(1)针对传统的测量矩阵的稀疏性与多光谱图像场景不适配,导致测量矩阵无法利用多光谱图像的细节信息实现高质量的图像重建问题,研究并实现了一种基于编解码神经网络的编码模板设计方法。首先,设计BinaryNet结构作为编码网络,使用二进制权重的方法来训练编码网络;其次,采用多层感知器(Multi-Layer Perceptron,MLP)网络模型作为解码网络,来学习非线性映射数,准确的重构多光谱图像;最后,采用多光谱图像数据联合训练编解码网络,训练出应用于多光谱图像重构的编码模板,通过多组仿真实验与其他测量矩阵对比,在采用相同的多光谱图像重建算法的基础上,分析其图像评价指标,本文提出的编码模板比传统的随机测量矩阵具有更高的重建性能。(2)针对传统基于压缩感知的多光谱图像重建算法采用迭代的方式来提高重建图像质量,导致算法运行时间长的问题,深入研究了基于深度学习的多光谱图像重构方法,设计并实现了基于残差卷积自编码器的多光谱图像重构方法。首先,通过卷积自编码器中的编码器,实现对多光谱数据的编码,然后,利用解码器的解码能力重建出多光谱图像,并且在解码器中采用深度残差结构,进一步提高解码器的解码能力。通过对比多组实验,分析其各组实验结果的图像评价指标,可以看出本文的基于残差网络的卷积自编码器多光谱图像重构方法在速度方面优于其他对比方法,且在图像质量方面还有所提升,重建出的多光谱图像细节信息更加丰富,光谱关联性强。(3)针对快照压缩光谱成像模型中重构算法没有利用多光谱图像数据之间的光谱关联性导致重建数据光谱关联性不强、空间分辨率不高和重建算法运行时间长的问题,设计并实现了基于U-net与SA-cGAN相结合的快速多光谱图像重构方法。首先,将条件生成对抗网络作为基础,利用图像恢复能力以实现图像重建;然后,将自注意力机制(Self Attention,SA)引入GAN框架中,将所有的光谱通道共享相同的注意图,保持多光谱图像重建中的光谱相似性;最后,用U-net代替传统的全连接层,简化网络结构,提高网络的时间效率。通过进行多组仿真实验与其他方法结果进行对比,分析其图像评价指标,实验结果表明本文所提出的基于U-net与SA-cGAN相结合的快速多光谱图像重构方法,具有更高的图像质量和光谱关联性,且重构速度较快。