大多数消费级数字摄像设备生产厂家出于对经济成本和便捷化的考虑都选择使用单个CMOS传感器成像系统,单传感器摄像设备获取的图像是由红色、绿色、蓝色每种颜色按规律排列的颜色块组成的Bayer图像。为了得到图像本身的色彩信息,必须通过算法恢复出每个像素点缺失的另外两种颜色分量获得RGB图像,这一过程叫做Bayer图像去马赛克。数字摄像设备所处场景不同,对获取图像或视频的质量要求不同,从而对去马赛克算法的要求也有差异。如在一些视频监控场景中,要求图像去马赛克算法响应速度快,才能实现高帧频输出彩色图像。在一些精密仪器检测场景中,需要采集高质量的目标图像,才能实现精准的缺陷检测。针对现有去马赛克算法存在的问题,分别从上述两个应用场景出发,对相应的去马赛克算法提出改进和优化,平衡算法精度和速度二者的关系。具体研究工作如下:（1）在对算法实时性要求较高的应用场景中,针对低成本边缘感知去马赛克算法（Low Cost Edge Sensing for High Quality Demosaicking,LED）在紧密边缘和细致纹理处存在的伪彩、杂点等不足,提出了改进的融合色差权重的低成本边缘感知去马赛克算法。该算法在边缘方向检测过程中添加单像素边缘梯度算子,能够识别紧密排列的单像素边缘,使方向检测更加准确;同时,该算法在恢复红、蓝通道时,为了解除彩色单像素边缘处色差恒定的限制,提出色差权重,利用色差权重修正色差平面计算候选插值。改进的融合色差权重的低成本边缘感知去马赛克算法在本文实验平台上以每帧增加0.03s的时间作为代价赢得了更高的重建图像质量,在紧密边缘和细致纹理处伪彩更少,边缘更清晰,视觉效果更好。本文方法与LED算法相比,CPSNR平均值提高了2.2 d B。比其他性能优越的去马赛克算法精度提升了2%到7%,较好地平衡了精度和速度的关系。（2）在要求精度优先于速度的应用场景中,改进的融合色差权重的低成本边缘感知去马赛克算法虽然提高了重建图像质量,但采用的依旧是插值方法,难免会存在人为痕迹。为了减少去马赛克算法对先验知识的依赖,提升算法的特征鲁棒性,本文提出基于通道卷积和递归残差网络的图像重建模型。改进通道卷积方式,将图像空间相关性和颜色相关性结合,分别对四颜色通道和单像素通道进行卷积操作,提取更多的色彩信息和细节特征;参考当下流行的图像超分辨率重建算法,首次将递归残差网络引入图像去马赛克算法中,使网络参数更少,模型更紧凑;最后将网络提取出的细节纹理信息叠加到初始去马赛克图像上得到质量增强的去马赛克图像。客观评价指标表明,基于通道卷积和递归残差网络的图像重建模型在改进的融合色差权重的低成本边缘感知去马赛克算法的基础上,CPSNR平均值提高了2 d B。与同类型基于卷积神经网络去马赛克算法相比,精度提高了1%～5%,网络参数更少,模型更紧凑。