经典的“先采样—后压缩”成像模式中导致硬件资源的大量浪费,在更大规模、更高维数、更广动态范围的数据获取、处理、存储与传输、更低的功率消耗以及在更复杂环境中的成像应用等方面正面临着巨大的挑战。压缩成像理论以稀疏性或可压缩性为前提,有望克服现有成像理论的部分缺点,既能应用于传统的成像领域,同时更适合于一些传统的成像理论所不太适用的复杂场合。但是实际的光学成像系统存在若干问题必须考虑,如实际测量矩阵往往取决于测量过程的物理性质,在许多应用场合要求在非常有限的时间内获取足够的测量值以及重建算法的性能和时间等。本论文的主要研究工作及创新点如下:(1)针对二维正交匹配追踪算法中使用的重建矩阵即为测量矩阵,且测量矩阵为正交矩阵,难以物理实现,不具有最优性能。本文将奇异值分解引入二维正交匹配追踪算法的重建过程,提出一种基于奇异值分解的二维正交匹配追踪优化算法,通过对可分离测量矩阵进行奇异值分解,得到优化后的可分离重建矩阵与优化后的测量值,再重建出原始稀疏信号。并提供了理论分析和模拟实验,验证本文方法的有效性。(2)传统压缩编码孔径成像的限制在于对测量矩阵存储的巨大需求,以及算法恢复原始图像的计算负担。因此,压缩编码孔径成像仅限于相对较小尺寸的图像。针对其仅能用于小尺度图像的缺点,本文将可分离压缩感知引入压缩编码孔径成像,提出了可分离压缩编码孔径成像方法,对两个可分离的测量矩阵进行奇异值分解,从而对测量矩阵和测量值进行优化,即本文提出的基于奇异值分解的可分离压缩编码孔径成像方法,最后通过理论分析和模拟实验验证了本文方法的优越性。(3)传统的重建算法的迭代性质导致重建算法在实际应用中受到限制,难以实现实时重建,并且自然界中的真实图像信号是可压缩信号,不完全满足稀疏性条件,因此在实际成像系统中信号的重建质量下降。针对此问题,将深度神经网络引入压缩编码孔径成像的重建过程,通过图像与测量值构成的数据对训练深度学习架构,在测试阶段的重建过程通过非迭代完成,实现从低分辨率测量值的实时重建。并且,在训练阶段,增加预处理模块,来增加前向算符和反向算符之间的匹配度,以提高重建性能。实验结果表明,在相同的实验条件下,本文方法可以实现从低分辨率测量值中进行高质量实时重建。