燃烧广泛存在于生活和工业生产中,燃烧温度场的成像方法研究为控制污染物的排放,了解燃烧过程本质,提高燃烧效率等提供重要数据支撑,具有重要的研究意义和应用价值。偏折层析技术具有不干扰被测场、实时、非接触等特点,已成为一种功能强大的温度场测量工具,温度场测量数据受经济成本以及光路和测量场地的限制,非常有限,传统偏折层析重建在欠采样条件下存在重建分辨率较低、精度较差等问题,而基于压缩感知的温度场重建方法可有效解决欠采样重建。本文针对压缩感知温度场重建存在的调节因子难以选择、稀疏约束不满足高精度重建、全变分约束不利于重建细节信息的刻画等问题展开研究,主要研究工作如下:针对压缩感知偏折层析全变分最小化方法中调节因子由经验获取不能自适应调节的问题,提出了自适应调节因子方法,将计算投影和测量投影之差的归一化₁l范数作为自适应调节策略,保证在₁l范数较大时调节因子大,反之调节因子小,解决了经验选取调节因子存在的最优解和收敛速度之间的矛盾,提高了重建质量,加快了重建速度。针对压缩感知偏折层析全变分方法中先验信息利用率低的问题,提出了多方向全变分约束重建方法,利用多个方向梯度刻画先验信息,既保证了水平和竖直两个梯度方向的信息又很好的利用了角度信息,能够更充分的反应细节信息。解决了全变分约束中方向性的不足,提高了先验信息的利用率。针对欠采样率条件下全变分约束重建噪声大的问题,提出了联合约束智能优化重建方法。由于字典学习具有较强的抑制噪声能力,因此本文将多方向全变分与字典学习相结合联合构建重建约束框架,通过天牛须智能优化方法加速联合重建效率。同时为了克服字典学习存在过平滑而降低温度场重建分辨率的问题,根据温度场局部全变分值表征含有细节信息量的多少,构建局部加权字典学习方法。全变分值大,局部权重小,反之,局部权重大,从而解决过平滑问题。为了验证本文所提理论方法的可行性和有效性,搭建了莫尔技术多方向动态采集平台,完成了高欠采样条件下温度场投影数据的获取。在此基础上应用本文方法对温度场进行重建,与传统方法相比重建温度场等温线保留了更多细节信息,提高了温度场重建精度、重建速度以及分辨率。