近年来,瞬态成像技术作为一种变革性的成像技术,引起了人们的广泛关注。瞬态成像技术目的在于拍摄光线在场景中传播过程的瞬间状态,区别于传统的二维图像,瞬态图像通常是三维的,包含空间上的两个维度及时间维度。通过对瞬态图像的数据进行有效分析,人们能够准确的获取传统成像技术难以得到的与场景语义密切相关的关键信息（位置、边缘、材质等）,进而实现其在混浊介质下的深度测量、材质识别、非视距下的成像等计算机视觉相关的应用。而目前的瞬态成像技术,基于不同的成像设备及实现原理,在图像的空间分辨率、时间分辨率、成像速度、成像环境及硬件成本上都存在不同程度的妥协,因此也限制着其相关的应用场景及效果。由于单位时间内进入传感器的光子数量是有限的,当时间分辨率极高时,单位时间也变得极小（通常在纳米至飞秒级）,信噪比较低,为了得到理想的结果,需要提高采样次数并重复多次,意味着成像时间的延长,进而加大了瞬态成像在成像环境上的限制。本文基于人们对光线传播时信号变化的观察分析所提出的光线传播模型,提出了基于指数修正的高斯（EMG）混合模型的瞬态图像的重构方法,将带噪的瞬态图像的像素信号表示为多个EMG的叠加,利用该分布在函数表达上的平滑连续特性,实现去噪。除此之外,以EMG混合模型的参数作为压缩特征,实现瞬态图像的压缩。根据瞬态图像其所反映的光线物理现象、数据分布及EMG混合模型在数学表达上的特点,本文设计了使用深度学习框架进行混合模型的参数求解时相应的计算模型的网络结构,并对利用梯度下降算法进行求解过程所涉及的初始化方式、损耗函数、混合模型中的分量数目进行了设计,并以公开数据集中的瞬态图像的仿真数据对这些设计进行实验对比与分析。瞬态图像包含空间及时间维度,其所反映的光线传播过程在空间及时间上是相互关联的。因此,本文在上述方法的基础上,将计算模型改进为N×N窗口下的像素信号的重构,并引入空间梯度信息,优化重构结果在空间相对关系上的一致性。综上所述,本文提出了一种基于EMG混合模型进行瞬态图像重构的方法框架,通过对带噪瞬态图像的重构,实现去噪及压缩的效果,进而能够降低瞬态图像在应用上对瞬态成像结果信号噪声、存储处理方面的需求。