稀疏表象关联成像（ghost imaging via sparsity constraints，GISC）是将成像目标的稀疏约束与关联成像方法结合起来形成的一套全新的成像理论，在远小于传统关联成像所需的采样数下仍然可以高质量的重建目标图像。由于高斯随机测量矩阵是基于稀疏约束和冗余表象的数据采集和信号重构理论中较常用的测量矩阵，本文将结合数字微镜器件(digital micromirror device，DMD)，研究一般非零均值高斯随机测量矩阵GISC的理论和实验两方面的内容，此外，在基于DMD的稀疏表象关联成像中，通过引入成像系统的点扩散函数，应用GISC重建方法实现亚瑞利限成像。本篇论文主要包含以下五个部分:　　第一章首先简单介绍了稀疏表象关联成像基本原理框架，并简单介绍了国内外的研究现状。随后针对本文所做工作的研究背景及意义进行了具体的阐述。　　第二章首先介绍了零均值高斯随机测量矩阵的数学模型的建立过程并由此引出后续非零均值高斯随机测量矩阵数学模型推导建立所需的条件和定理，随后经过类比推导建立非零均值高斯随机测量矩阵的数学模型，并结合稀疏表象关联成像对所推导结果做出适当的特性分析。　　第三章首先介绍了DMD的光开关原理以及DMD芯片灰度调节方法，随后说明基于DMD器件的可控性，本文搭建了一种基于DMD的单臂GISC实验平台，利用DMD调幅预置生成不同均值和标准差形式的高斯随机测量矩阵，从实验上分析了高斯随机测量矩阵的均值和标准差、目标稀疏度对GISC图像重建质量的影响。　　第四章首先引入了在成像过程中，由于成像透镜孔径的限制而导致所成图像变模糊的现象，而后针对此问题搭建了一种基于DMD的亚瑞利限稀疏表象关联成像实验平台，通过将图像的稀疏性和光学成像系统的点扩散函数作为先验信息，利用稀疏重建技术实现了关联成像架构上的亚瑞利限成像。　　第五章是总结和展望，首先总结了本论文的主要研究内容，随后就下一步的研究工作提出了相关建议和展望。