光谱成像技术通过获取目标场景的二维空间信息以及一维光谱信息,由此构成“图谱合一”的数据立方体。该数据立方体能够提供大量有用的信息,因此光谱成像技术在诸多领域有着重要的应用价值。传统光谱成像技术存在光通量低,扫描成像时间长等问题;同时采集到的原始数据量较大给后期数据的存储和传输带来巨大压力。编码孔径光谱成像技术是一种基于压缩感知理论的新型计算光谱成像技术,它通过编码孔径模板以及色散元件对目标场景的空间信息和光谱信息进行编码调制得到二维压缩测量值,再利用相应的优化算法重建得到光谱图像。编码孔径光谱成像技术很好地突破了奈奎斯特采样定理的限制,由此得到学者们的广泛关注。本文对编码孔径光谱成像技术进行了深入研究。由于编码孔径光谱成像系统得到的测量值是高度压缩的,光谱图像的重建成为一个严重病态的逆问题。因此,对于重建算法的研究成为一个至关重要的挑战。本文重点对编码孔径光谱成像系统中图像重建算法进行了研究,主要工作如下:首先,对压缩感知基本理论进行了介绍,详细阐述了该理论的三个核心问题:信号的稀疏表示、测量矩阵的设计以及信号重建算法。同时对编码孔径光谱成像技术的基本原理进行介绍,重点分析了单色散编码孔径光谱成像系统以及双色散编码孔径光谱成像系统的组成结构与成像数学模型。其次,针对传统的算法重建光谱图像效果不好的问题,提出了一种自适应分裂Bregman迭代的图像重建算法。该算法将分裂Bregman迭代算法与字典学习相结合,在迭代求解的过程中不断更新目标图像的估计值和冗余字典,在多次迭代之后能够准确的重建出目标光谱图像。以单色散编码孔径光谱成像系统为基础进行仿真实验。其结果表明,与传统算法相比,该算法重建光谱图像的质量具有明显的优势,平均峰值信噪比和平均结构相似性都有明显的提高。最后,提出了一种基于深度学习的光谱图像重建算法。该算法首先对成像系统的压缩测量值进行预处理,然后在预处理结果与原始图像之间建立深度卷积神经网络,训练学习得到非线性映射关系。最后利用训练后的模型对压缩测量值进行反演求解。以双色散编码孔径光谱成像系统为基础进行仿真实验。其结果表明,与传统算法以及自适应分裂Bregman迭代算法相比,该算法不仅能够提高光谱图像的重建质量,而且重建过程所耗费的时间大大减少。