针对图像增强算法中普遍存在暗部区域细节丢失、亮部区域过度增强等问题，提出了基于自适应截断模拟曝光和深度融合的增强算法。对原始低照度图像进行模拟曝光，通过卷积网络学习曝光序列对应的权重图并在网络内部实现加权融合，获得增强结果。在生成模拟曝光序列的过程中，对图像进行亮暗区域分割，然后对其进行截断性自适应伽马校正，最后通过引导滤波降噪获得合适的曝光序列。获得多曝光序列后，通过基于空洞卷积的上下文聚合网络，实现快速灵活地加权融合，得到最终增强结果。收集了大量公开数据集，并使用微光夜视相机和三通道真彩色相机收集了实验室环境测试集，在不同数据集上和经典主流算法进行了对比实验。实验结果表明，本算法的NIQE、PSNR和SSIM指标都是最好的，其中NIQE降低了4.49%，PSNR提高了4.28%，SSIM提高了1.94%。此外，算法的色彩还原效果也很好，色差指标是所有算法中最小的，在8.71×10^-2 lx照度下，本算法色差减小了14.83%，在1.02×10^-2 lx下减小了3.05%。本文算法可以明显提高图像亮度和对比度，鲁棒性较好，不会产生过度增强现象，有效恢复图像细节的同时兼顾色彩信息，增强结果真实自然。

单像素成像系统由于其独特的成像方式受到广泛关注，但其在噪声环境中的目标识别方法并未得到深入研究。针对该问题，文中分别采用桶探测器获取的信号值和重构出的二维图像作为训练样本进行深度学习，并以此识别噪声环境中的目标。通过对比两者识别结果，发现在采样率较低时，前者即使在较强噪声环境中也可以获得较高的识别率；而后者的识别率虽然一直比较稳定，但其预处理时间较高，因此前者更适用于快速成像中的目标识别。此外，对于仅利用桶探测器信号进行训练的方法，文中还研究了目标稀疏度对其识别精度的影响，发现当外界噪声和采样率一定时，稀疏度越高的目标，其识别精度也越高。文中为噪声环境中单像素成像的目标识别方法提供了选择依据。

在计算鬼成像(Computational ghost imaging，CGI)系统中，可以通过估计重构图像的模糊程度获取目标的轴向深度。但该方法易受到背景噪声干扰，且要求像质评价函数有较长的工作距离，导致所需的采样次数较高，限制其实用性。针对这一问题，提出了一种基于自适应对焦窗口的目标深度估计方法。首先根据评价函数的整体特征划分搜索区间，然后在给定区域内对目标实际轴向深度进行迭代搜索。在迭代过程中，通过设计自适应窗口，有效减少背景区域的同时，也保证了窗口内目标的完整性。实验结果表明：该方法大幅降低了评价函数所需的必要工作距离，使其在欠采样条件下同样适用，也减小了背景噪声对评价函数的影响，增强了算法的鲁棒性，进一步完善了基于计算鬼成像系统的深度估计方法。