光谱成像技术在传统二维空间成像的基础上增加光谱维信息的获取,得到的三维数据立方体可还原场景在不同波段处的辐射度信息,在军事侦察、农业监测、生物科学、食品安全等领域有重要应用。传统的扫描式光谱成像方法,其时间分辨率受扫描时间限制,无法满足当前各应用对高动态光谱成像的需求;而快照式的光谱成像方法拍摄单帧或多帧的编码压缩图像,利用解耦重建算法恢复原始光谱数据,有效提高时间分辨率。常见快照式光谱成像系统通过编码掩模和色散器件对光谱数据进行编码组合,系统具有体积大、系统复杂等缺点。为寻求更紧凑、操作更简易的快照式光谱成像方案,本文围绕无编码的光谱成像系统展开研究,主要工作和创新点包括:1.提出了一种快照式无编码光谱成像系统原型,系统仅由单个色散元件和成像相机组成,易于实现紧凑的小型化系统。文中推导了无编码光谱成像系统的成像模型,并介绍实验验证系统的标定方法。该无编码光谱成像方案可有效降低系统尺寸,减小系统复杂度和校准难度。2.针对快照式无编码光谱成像模型,提出了一种优化迭代的光谱重建算法,重建算法分为空间对齐和光谱优化两个步骤。对比各步骤后的重建结果,验证光谱优化步骤能有效提高光谱精度。文中引入图像分块计算和矩阵等效变换的方法降低计算复杂度,并讨论影响光谱数据重建效果的因素和算法限制。3.针对快照式无编码光谱成像模型,提出了两种学习式的光谱重建算法,分别为深度学习和优化方法结合的重建算法法以及端到端的深度神经网络重建算法。深度学习和优化方法结合的重建算法,将优化方法重建的空间对齐光谱数据输入深度学习网络,网络输出优化后的重建光谱数据;端到端的深度神经网络重建算法,将色散的RGB观测数据直接输入网络,网络输出高精度的重建光谱数据。本文提出的快照式无编码的光谱成像方案可有效降低系统尺寸,减小系统复杂度和调试难度,针对该无编码光谱成像模型提出的重建算法文中均进行了有效性性验证,其在线上数据集和实际拍摄数据中显示了良好性能。