望远镜的集光能力和分辨本领与其主镜口径的尺寸直接相关,因此无论是地基望远镜还是天基望远镜均向着大口径的方向不断发展。然而主镜尺寸的不断增大,给望远镜的设计、加工、制造及检测等带来了前所未有的挑战。拼接型望远镜的出现,极大地降低主镜质量、加工成本、制造周期以及运输发射成本和难度。目前我国的LAMOST望远镜、美国的Keck望远镜、JWST望远镜以及正在建设的三十米口径望远镜等均采用拼接主镜形式。为了使拼接型望远镜的整体成像质量接近衍射极限的水平,要求各子镜之间保证极高的共面精度,达到光学上的共焦共相,一般要求各子镜间的共相误差RMS值小于1/40波长。单纯依靠传统的机械装调已经无法达到如此高的精度,因此需运用主动光学系统实时主动精确地调整每块子镜的姿态,使拼接主镜镜面保持良好的面形。主动光学系统共完成子镜共焦及共相两部分操作,现阶段子镜像点共焦实施方式较为简单,而子镜共相一直是困扰研究学者的难题,本文根据空间大口径拼接型望远镜研制需求,围绕其粗共相及精共相两个阶段展开研究,论文的主要研究工作如下:首先建立了空间大口径拼接式望远镜的光学模型,针对粗共相过程中子镜平移误差较大所造成的共相困难问题,将以卷积神经网络为代表的深度学习技术引入到拼接镜的粗共相阶段,通过多波段焦面像与离焦像构成的独立于成像目标的特征量数据集训练卷积神经网络,从而判断各子镜的平移误差范围,引导拼接镜进入相位差算法可解的精共相范围,该方法具有计算速度快、探测范围大、鲁棒性强及成本低等优点。由于这种训练集仅与子镜共相误差有关而与成像内容无关,因此摆脱了对成像目标的依赖。此外本文还利用统计学方法筛选出了特征向量训练样本中的各子镜平移误差的敏感数据点,从而在降低了所选用的卷积神经网络的训练难度的同时提升了平移误差范围识别成功率。为减少拼接镜精共相所采用的相位差算法的迭代次数并降低其收敛难度,本文提出了将布谷鸟优化算法引入到相位差算法寻优问题中,这种优化算法模型简单,参数少且易于实现。通过改进原始布谷鸟优化算法中的步长控制因子和局部搜索位置更新公式,使其具有更快的寻优速度。相比于其它基于种群的算法,尤其是在相位差算法寻优范围大、待解参数多的条件下,经改进的变步长自适应梯度布谷鸟优化算法得益于自身由发现概率控制的局部搜索和全局搜索能力,对相位差算法具有更高的解算精度和更快的求解速度。为了提升拼接镜精共相阶段所采用的相位差算法对环境微振动的鲁棒性,本文提出了将基于条件对抗网络的盲去运动模糊技术(DeblurGAN)引入其中。为了防止网络在去除图像振动模糊的同时,对子镜共相误差引起的图像模糊也进行了不正确的处理,本文利用包含波前像差的不同运动模糊水平的图像振动数据集对DeblurGAN进行了重新训练,训练完成后该算法在训练水平内具有盲去模糊能力,无需预估图像模糊核。其次为了提高拼接镜精共相阶段所采用的相位差算法在实际噪声环境下的鲁棒性,提出将深度去噪卷积神经网络(DnCNN)引入到相位差算法的中间过程来提升相位差算法的噪声鲁棒性,该网络使用不同噪声水平的数据集进行训练,训练成功的DnCNN在噪声训练范围内具有盲降噪能力,在图像处理之前无需进行噪声评估。上述复合相位差方法运行速度快,不会增加拼接主镜精共相的时间。