沉浸式投影被广泛运用到人机交互、增强现实与虚拟现实等领域。为了达到真实的视觉体验,通常采用包围式投影屏幕和多投影技术。由于投影屏幕的非平面特性及投影仪数目众多,投影光在传播过程中产生了复杂的互反射效应,导致投影画面亮度冗余,质量退化,干扰了用户的沉浸感体验,甚至对虚拟现实等系统的实际使用造成严重阻碍。因此,互反射补偿对实现投影图像的高质量重现具有重要的实用价值。传统互反射补偿方法通常采用多模块解决方案,导致精度缺失,补偿效果不佳。卷积神经网络以端到端的思想更有效地解决图像增强任务,然而目前基于卷积神经网络提高投影图像质量的研究主要为去模糊和去纹理,没有专门解决去互反射的问题,因此缺乏相关数据集及方法。针对上述问题,本文在两种沉浸式投影系统上收集数据,利用卷积神经网络实现了端到端的互反射补偿。本文的主要创新点及工作总结如下:（1）提出了一个全新的投影补偿网络模型实现了端到端的投影图像互反射补偿,并在单投影沉浸式系统上验证了其可行性。本文建立了一个基于深度学习的投影反射模型,利用卷积神经网络提取样本数据的特征,并创新性地提出了具有密集聚合结构的跳跃连接以融合不同尺度的特征信息,使网络学习到复杂的环境光、反射光特点。（2）提出了一个基于超清卷积和感知损失的网络优化模型提高了网络的补偿能力,并在多投影沉浸式系统上验证了其有效性。由于多投影系统中光的互反射效应更明显,为了使补偿图像投影之后尽可能满足人眼视觉感知,在投影补偿网络模型上增加了超清卷积层和多尺度损失,该方法能模拟人的感知机制有效地、隐式地学习到投影图片所涉及的复杂的光度问题,使生成的补偿图像与目标图像在细节上更接近,并提高投影补偿效果。（3）搭建了两种投影仪-相机沉浸式显示系统,在该系统上采集和处理了5组共25000张含有冗余反射光的数据集,为相关研究提供了丰富的数据集。在4种不同种类的图像中测试了模型的鲁棒性,并在4种不同投影场景下测试了模型的泛化性。实验效果显示本文方法能很好消除投影互反射光,实现投影图像高质量重现。最后,由于沉浸式投影系统的终端用户为人眼,除了客观的图像质量评价指标以外,还采用MOS（mean opinion score）方法增加了观察者主观质量评价。本文方法在主观和客观评价指标上均优于其他方法。