军事侦查、医学检测、地质勘探以及自动驾驶等多个领域都需要获取大范围场景内的准确信息,这就要求在光学成像上实现大景深、高精度的图像采集。传统相机受到光学系统的固有限制,成像景深有限:在景深范围内的物体聚焦清晰,超出景深范围的物体因离焦而模糊,这使得图像传感器不能清晰记录全部的场景信息,造成信息丢失。全焦成像技术是实现景深扩展最直接有效的方法,最常见的全焦成像方式是进行多聚焦融合,此方法主要分为多聚焦图像的获取和全焦融合两个步骤。在多聚焦图像的获取方面,手动聚焦方法精度较低,且多聚焦图像获取效率低;基于机械结构的方法引入机械部件,增加了系统复杂度,且可以实现的景深扩展范围有限;基于特定光学部件的方法增加了成本,场景适应能力较差,不利于广泛应用。此外,传统多聚焦图像采集方法需要多次曝光,这种操作会导致背景信息不一致,极大地影响了全焦融合质量。在全焦融合算法方面,主要包含基于空间域、基于变换域、空间域与变换域相结合以及基于深度学习的方法,其中基于变换域的方法如小波变换融合方法,不具有平移不变性、融合误差较大、信息冗余大;基于空间域的融合方法会出现时间损耗大的问题,而且区域边缘位置像素点融合质量差;空间域和变换域相结合的算法增加了系统复杂度,且对聚焦特性分布不明显的图像敏感度低;基于深度学习的融合算法对硬件的要求较高、易出现噪声,影响全焦融合质量。目前,仍然缺少一种获取高质量全焦图像的有效方法。为了解决传统全焦融合算法中出现的问题,本文应用基于引导滤波器的全焦融合算法对多聚焦图像进行全焦融合。引导滤波器是一种典型的非线性滤波器,可以最大限度地保留边缘信息,实现高速、高质量的全焦融合。为了提升多聚焦图像采集质量,本文采用光场成像的方法在单次曝光下进行多聚焦图像采集,保证了多聚焦图像背景信息的一致性和全焦融合输入信息的完备性,同时此方法还具有成本低、系统结构简单以及深度扩展范围广的优点,有效地实现了高质量的多聚焦图像采集。将基于引导滤波器的融合算法与光场成像相结合,本文提出了基于引导滤波的单次曝光光场全焦融合技术,实现了高质量、大景深全焦图像的采集。为了解决光场成像空间分辨率低的问题,本文提出了基于深度神经网络的高时-空分辨全焦成像技术。采用光场成像技术采集多聚焦图像,其特点是在单次曝光下同时获取场景光线的强度信息和角度信息,此操作具有很高的时间分辨率,但是通过光场成像获取的多聚焦图像,受到微透镜单元个数以及对应传感器个数的限制,其空间分辨率往往较低,因而无法获取高分辨率的全焦图像。为了解决此问题,本文提出了基于深度神经网络的高时-空分辨全焦成像技术,设计了卷积深度神经网络,用于实现光场低分辨率图像的单图超分辨,利用此网络对低分辨率的光场部分在焦图像进行上采样,有效地提升了多聚焦图像的分辨率,最后经过基于引导滤波器的全焦融合算法,得到具有高时-空分辨率的全焦图像,实现了对场景信息的高分辨率大景深的图像采集。本文提出的基于引导滤波的单次曝光光场全焦融合技术解决了传统多聚焦融合方法精度低、复杂度高、背景信息不一致、高频信息丢失等问题,实现了单次曝光下全焦图像的采集,有效获取了大景深的场景信息,为了提升全焦图像的分辨率,本文进一步提出了基于深度神经网络的高时-空分辨全焦成像技术,利用卷积深度神经网络实现了对低分辨率光场部分在焦图像的上采样,有效地提升了全焦图像的空间分辨率,进而实现了高时-空分辨率的全焦成像,达成了大景深范围内高分辨率全焦图像采集的目标,在军事侦查、医学检测、地质勘探以及自动驾驶等多种图像采集和定位的实际应用中有重要意义。