在编码衍射成像系统中,仅依靠多个编码衍射图案就可以重构出较高质量的图像。但在编码衍射图案较少并且受噪声污染的情况下,却很难重构出较高质量的图像。为了解决此问题,该文利用即插即用先验模型与神经网络来提高重构图像的质量。具体研究内容如下:首先,鉴于图像先验对解决图像反问题具有极其重要的作用,该文利用非局部均值(Non-Local Means,NLM)去噪算子将丰富的图像先验引入到编码衍射成像模型中,来提高重构图像的质量,并由此提出了基于即插即用先验的编码衍射成像算法。实验结果表明,该算法仅利用较少的编码衍射图案,就能够重构出较高质量的图像,并且对高斯噪声具有鲁棒性。其次,提出了基于去噪网络邻近算子的编码衍射成像算法。由于卷积神经网络可以学习到图像更丰富的先验,为了获得质量较高的重构图像,该文将训练好的卷积去噪网络以邻近算子的形式融入到邻近梯度优化方法框架中,对编码衍射成像问题模型进行优化。实验结果表明,该算法不仅可以重构出较高质量的图像,并且对高斯噪声与泊松噪声都具有鲁棒性。最后,利用即插即用先验模型与深层神经网络共同来提高重构图像的质量,并由此提出了基于即插即用先验与邻近梯度神经网络的编码衍射成像算法。在该算法中将编码衍射成像过程分为两步,首先利用三维块匹配协同滤波(Block-matching and3D filtering,BM3D)去噪算子构造基于即插即用先验的编码衍射成像模型,依靠BM3D去噪算法引入的丰富图像先验提升重构图像的质量。然后将该过程的重构图像作为初步估计,并利用由残差网络结构与邻近梯度优化方法框架搭建的邻近梯度神经网络,对初步估计图像的质量进行进一步的提升。实验结果表明该算法不仅可以重构出高质量的图像,并且对高斯噪声具有鲁棒性。