多维成像是一种能够感知和测量超越空间二维空间图像的多维度信息的图像采集技术。三维空间、一维时间以及光谱、相位和偏振等光波物理量维度蕴含着人眼无法完全感知的海量信息,这些信息不仅在遥感、医疗和食品安全等领域有着广泛应用,还在计算机视觉和模式识别领域中扮演重要角色,这使得多维成像技术成为实现未来万物互联的智能化社会的关键技术。受到传统成像原理与传感器硬件限制,多维成像系统通常采用多相机或机械扫描的采集方式,存在速度慢、系统复杂度与成本高等问题。得益于计算成像与压缩感知理论的发展,基于硬件编码软件解码的快照压缩成像(SnapshotCompressiveImaging,SCI)技术被提出,仅采集二维观测获取场景多维信息,极大地提高了采集速度,降低了系统复杂度。然而,对于作为SCI系统关键部分的图像重构任务,传统优化算法存在重构速度慢和重构质量差的问题,严重限制了SCI技术的应用。为克服以上问题与挑战,本论文以压缩感知与深度学习为基础,在SCI系统应用与高速、高质量图像重构方法两个方面进行了深入研究,具体研究内容与创新成果如下:1.提出了快照压缩多光谱显微内窥成像系统,将光纤束成像、SCI系统和深度学习算法相结合,实现以视频帧率采集和重构具有细胞级分辨率、包含24个光谱频带的多光谱内窥图像,有利于形成可实用化的快速、低成本医疗内窥诊断工具。此外,搭建了基于单色散的快照压缩光谱成像和基于数字微镜的压缩时间成像系统,前者可采集450-650nm范围内28个光谱频带图像,后者可实现使用低成本相机以10-30倍帧率采集动态场景,为算法研究提供可靠数据集。2.围绕深度学习图像重构,论文在网络设计、可解释性、灵活性和泛化性等方面进行了创新性研究,提出了多种基于深度学习的SCI图像重构方法,相比于现有的重构方法,在重构质量和速度上分别可达到国际先进水平。1)为解决传统优化算法在SCI系统图像重构上速度慢、效果差的问题,提出了三种端到端神经网络结构。在光谱成像重构上,首先提出了多维自注意力机制,在二维空间和一维光谱上分别建立注意力映射学习光谱图像特有的空间和光谱的相关性,解决了原始基于像素的自注意力机制计算冗余度高的问题。其次,运用循环瓶颈层和多尺度残差卷积增强特征提取和特征通道关系模拟能力。在时间成像上,提出了基于残差网络的深度神经网络结构,提高网络收敛能力。所提出的端到端的神经网络对实验数据可实现百毫秒量级的重构,从而可构建端到端实时采集和重构的闭环系统,促进SCI系统的产业化应用。2)为解决端到端神经网络可解释性差、灵活度低的问题,通过结合优化算法与深度学习,提出了深度展开式神经网络架构,将多个卷积神经网络集成到一个展开的优化迭代过程中,形成级联网络,并进行端到端训练。该方法可通用于在快照压缩光谱和时间成像系统中,并对调制码型不敏感,灵活性高,在图像重构质量与速度上均达到国际先进水平。3)为解决监督学习因数据集短缺造成的泛化性差的问题,针对光谱成像,提出了一种自监督神经网络框架,通过非训练神经网络直接从压缩观测中学习光谱图像的先验特征,并与即插即用式算法框架相结合,实现无需训练数据的高质量光谱图像重构。该方法在缺少多维图像数据集的SCI应用中具有潜在优势。