光谱数据除了目标丰富的二维空间信息之外,还包含着一维光谱信息,在生物医学,微生物检测,军事勘察等领域中有着广泛的运用。然而,随着其光谱维度的增加,光谱图像存在着大量信息,传统的采样方式不再适用于其信息的采集。另一方面,当成像目标自身光学吸收率较弱的情况下,图像的对比度减小,不利于对目标各个谱段的分析。基于部分相干光照明的多光谱图像的压缩感知框架在提高图像对比度的同时又以远低于奈奎斯特频率的采样频率对光谱数据进行了采样,解决了上述光谱成像所面临的问题。本文以压缩感知为基础,字典学习方法为框架,结合部分相干光照明理论,对多光谱图像的压缩采样及精确重构进行了研究。首先,介绍了压缩感知的发展现状以及信号的稀疏模型,把信号的稀疏表达运用到光谱成像中,分析了基于压缩感知的光谱成像数学模型。其次,分析了部分相干光照明优化原理,并提出了基于光源优化的光谱图像对比度提高方案。以阿贝成像模型为基础,将有效光源分成为多个独立的子光源,列出图像强度数学模型。引入霍普金成像模型的光学传输交叉系数,从图像强度模型中分离出传输交叉系数,并结合图像的传递函数建立光源优化的代价函数。利用粒子群优化算法对代价函数进行优化,得到最适合图像形成的照明光源。实验结果表明,优化的光源形状较普通的照明模型更能提高图像的对比度。最后,以压缩感知理论为模型,把多光谱图像的二维空间特性和一维光谱特性映射到三阶张量上,提出了一种基于张量字典学习的多光谱图像重构算法。不同于二维矩阵字典,三阶张量字典把二维字典块分成多个子字典的集合,并以张量数据切片的形式存放在第三个维度上。每个切片代表一个字典块,且各自对应着一列稀疏表达系数,使得原子稀疏表达有着更高的自由度,进而提高了重构质量。基于生物多光谱数据的重构结果表明,张量字典学习方法的重构结果的峰值信噪比以及结构相似性都优于传统的字典学习方法。