基于大数据驱动的图像转换技术是图像合成、虚拟现实和机器学习等领域中的重要研究内容，其研究进展在刑事侦破、文化娱乐及航天遥感等方面有着重大的应用价值。尽管计算机视觉领域在最近一些年取得了巨大地突破，但在一些具体的视觉任务中依然还有很长的路要走。对于图像之间的转换来说，如何建立不同域之间图像流形上的映射是一个比较难处理的问题。对于人类视觉来说，图像的理解与生成过程可以认为是人类眼球视觉细胞对于光线敏感程度的响应，而这种响应过程往往是隐式地。这种隐式的过程限制了图像域之间转换的表达。研究如何更加精确地建模不同图像域之间的映射，获得可靠且高质量的图像转换结果，对于数据驱动下的视觉相关领域具有重要的现实意义。
　　为了近似图像转换过程中的图像理解与生成，本文从数据驱动的角度出发，开展了基于大数据的图像转换研究。具体的研究如下:
　　1.传统的纹理合成相关算法需要决定像素（块）合成的方向来决定图像的结构并从参考图像中找到合适的类比。然而，往往在复杂的图像合成中很难得到一个令人信服的结果。针对这种情况，本文提出了结合大数据驱动的思想，通过互联网大数据来弥补小样本结构生成的不足。本文选择了典型的复杂场景转换问题（四季场景转换），验证了大数据驱动的方法在处理参数化模型无法解决的复杂场景转换问题上的有效性。
　　2.近两年随着神经网络的流行，越来越多的计算机视觉任务得到了发展。本文探究了拉普拉斯分解对于图像转换质量的影响以及在精确可逆过程下增量学习的有效性。在这个工作中，本文考虑利用深度卷积网络强大的非线性学习能力来近似图像转换中的分析与合成过程。本文选择了计算机视觉领域经典的本征图像分解问题，有效的说明了基于拉普拉斯分解网络的框架能有效的提升本征图像分解的准确率与视觉效果，同时验证了在精确可逆过程中增量学习对于数据量不足情况下的有效性。
　　3.为了进一步分析尺度空间分解下的图像转换，本文提出了一种分析合成网络。该框架将拉普拉斯结构扩展成可学习的结构，使得图像转换在频率域的分解中满足划分的条件并充分利用数据来学习尺度空间分解的分布规律。这种可学习的尺度空间结构更加具有通用性与灵活性。本文选择了图像超分辨作为具体的研究应用，验证了可学习的尺度空间分解能有效的提升图像超分辨的视觉合理性。
　　本文从传统的大数据驱动出发，提出了基于尺度空间分解的图像转换以及可学习尺度空间分解的合成分解网络。并先后在复杂四季场景转换、本征图像分解、图像超分辨三个领域进行验证，逐步实现了大数据驱动的优越性，尺度空间分解的有效性以及分析合成框架的通用性。