半色调图像是为了满足数字连续调图像在硬拷贝设备上输出、在一定距离下观察能够呈现连续调视觉效果而产生的一类数字图像,被广泛应用于印刷业、数字出版业、LED电子显示等领域。由于半色调图像仅包含0或1二个阶调,而现有的图像处理技术大多是针对连续调图像的,例如对图像的旋转、放大缩小、特征提取、分割等,因此如何实现半色调图像的连续调恢复,即逆半色调技术,成为了数字印前系统、半色调图像转换加网、数字化档案管理、印刷图像分类识别等具体应用领域的重要研究课题。本文在逆半色调技术研究方面,主要开展了如下4个方面的工作:1.不同类别的半色调图像可以选择相应的高质量逆半色调方法,由此对半色调图像进行准确分类是逆半色调研究中的一项基础性工作。针对此项工作,本文首次将深度学习应用到逆半色调的研究中,提出了一种基于堆栈稀疏自编码深度网络的半色调图像分类方法,实现了网点抖动、误差扩散、点扩散和直接二值搜索4个类别14种类型的半色调图像的精细化分类。在该方法中同时提出了基于局域熵统计的有效块提取算法,增强了用于半色调图像分类识别的基本单元的表征性,较大程度地提高了半色调图像块分类的准确率,并大幅度提升了半色调图像分类算法的效率。通过在两个公开图像集上测试,实验表明所提出的算法无论是半色调图像分类准确率还是可分类图像类型数量上均高于目前国内外研究结果。2.针对彩色逆半色调LUT算法中颜色通道信息关联恢复的问题,提出了采用超限学习机ELM（Extreme learning machine）进行多颜色通道非空项数值非线性拟合模型,运用获得的模型可估计出彩色LUT表中各颜色通道的空项值。该算法解决了彩色LUT表的构建,不仅提高了表中空值项填充的准确率,也因算法具有极高的运算效率而没有影响LUT逆半色调算法图像转换速度快的突出优势。与已有的基于彩色模版优化LUT算法相比较,采用所提出算法恢复的连续调图像消除了绝大部分空值填充误差所产生的噪声,提升了恢复图像的质量。3.针对逆半色调中异质图像数据空间非线性映射模型构建的问题,提出了一种局域结构聚类和稀疏表示半耦合多字典学习相结合的逆半色调算法,用于解决由半色调图像到连续调图像的不同模态图像恢复问题。所构建的模型能够有效地松弛耦合字典学习中稀疏系数严格相等的约束条件,使半色调图像和连续调图像在各自的数据空间中更加准确地进行稀疏特征表示,同时增强了半耦合字典学习中映射关系的稳定性,提高了特征映射精度。与具有代表性的已有算法相比较,采用所提出算法恢复的连续调图像的峰值信噪比和结构相似度指标绝大部分优于其它算法,人眼视觉观察图像平滑区域去网和边缘结构细节信息恢复两方面均获得了好的视觉效果。4.针对逆半色调图像恢复与重构的模型构建和优化问题,本文首次将深度学习与逆半色调图像恢复相结合,提出了演进式深度学习的逆半色调模型,实现了由半色调图像到连续调图像的端对端的转换。首先通过深度CNN（Convolutional neural network）网络将半色调图像特征表示、连续调图像特征的非线性映射以及连续调图像重构的参数一起进行训练学习,获得由半色调图像初步恢复的连续调图像。在此基础上,再通过引入残差学习策略的深度CNN网络模型去除初步恢复图像中网点或记录点分布特征信息,重构出高质量的连续调图像。实验结果表明,所提出的算法无论是在恢复图像的客观评价还是在人眼视觉观察的主观评价方面性能都有了大幅的提升。