编码衍射成像系统中记录的测量值丢失了相位,而相位含有关于图像的大部分结构信息。由于相位恢复问题的不适定性,如何利用无相位测量值重构原始图像是一项具有挑战性的工作。本文主要利用图像的固有先验构造正则化模型,以解决现有相位恢复算法重构质量低的问题。研究内容主要包括以下三个方面:首先,利用自然图像在正交字典下的稀疏性,提出了基于正交字典学习的相位恢复算法。该算法能够通过字典学习得到与待重建图像匹配的自适应正交字典,利用交替更新的策略重建出原始图像。实验结果表明,该算法在测量值受高斯噪声干扰时,利用一个编码衍射图案仍能得到较高质量的重构图像。其次,由于单字典对图像块的表示能力有限,本文利用K-means算法聚类图像块并分别构建针对各类的子字典,可以获取图像库大量的附加信息。在抗泊松噪声的相位恢复优化问题中,根据投影能量最大原则选取最佳子字典,使得字典表示样本的误差更低,并用半二次分裂法求解这一反问题。实验结果表明,该算法在编码衍射图案个数较少时具有较高的图像重构质量和较强的鲁棒性。最后,为了进一步发挥模型选择在图像重构中的作用,由期望最大(EM)算法训练高斯混合模型(GMM)的最优参数,任一图像块可以选用GMM中某一模型分量最佳表示。基于该认识,利用GMM的统计特性融合数据保真项构造相位恢复优化问题,并用加速邻近梯度法求解该问题。实验结果表明,在测量值受不同强度的高斯、泊松噪声干扰时,该算法均具有明显的优势。