单幅图像的多光谱图像重建技术是指利用算法将3通道的RGB图像重构为相应的多通道的光谱图像,多光谱图像相比于RGB图像包含的信息更丰富,更易发现图像背后隐含的信息。因此,多光谱图像重建技术在军事目标检测、视频侦查监控、艺术品修复等领域得到广泛应用。基于深度学习的光谱图像重建算法是指通过建立一个端到端的网络模型,学习从RGB图像到光谱图像的映射关系。卷积神经网络凭借其强大的特征提取能力,成为光谱图像重建领域的主流框架。但其不足之处在于,在进行图像特征信息提取时,仅考虑加深网络层次来进行深层特征信息提取,忽略了浅层特征信息对图像重建的重要性以及卷积层无法维持全局特征多样性的弊端;同时,大多数重建算法同等的对待图像上的所有像素级特征,忽视了不同特征信息间的差异性,从而导致光谱图像的重建精度不高的问题。为了解决上述问题,本文的主要研究工作如下:首先,提出了一个基于注意力机制的残差密集网络。针对不同通道上特征信息表达能力不同的问题,在残差密集块的基础上,引入一个双残差通道注意力模块,来提升网络模型对不同通道特征信息的学习能力。其次,提出了一个基于混合注意力的多尺度残差网络。该网络结构从保持原始特征信息多样性的角度考虑,设计了一个多尺度残差块,采用具有不同大小卷积核的卷积层进行多尺度特征信息提取,来增加网络的局部特征信息提取能力;同时设计了一个混合注意力模块,结合通道维度与像素维度考虑对所提取特征信息进行自适应缩放,从而提高重要信息的表达能力,提高图像重建精度。通过在ICVL数据集与CAVE数据集上的实验结果表明,对比其他经典、先进算法,本文所改进算法重建出的光谱图像特征信息更加丰富、重建精度更高,误差更小。最后,基于本文所提出的光谱重建算法设计并实现了一个光谱图像重建系统。光谱图像重建系统主要包括个人信息管理、数据管理、模型管理以及图像重建四部分。通过软件系统可视化界面设计,可以帮助用户更加直观简单地完成光谱图像重建任务,生成对应光谱图像。