研究了在不同系统误差和不同目标算法下相干传递函数的重建质量，发现相干传递函数的重建比物体的重建更稳健。基于此，报道了一种用于傅里叶叠层显微成像术的子区域平移方法，以加速有限图像下的相干传递函数重构收敛速度，消除由周期性照明光源阵列引起的栅格噪声，实现图像的重聚焦，并使用相干传递函数去卷积提高图像的对比度。此外，研究了傅里叶叠层显微成像术的空域和频域数据冗余来恢复相干传递函数，发现至少需要大约40%的频谱交叠率来精确重建相干传递函数，比无像差条件下高出10%，为了相干传递函数的稳定性需要至少25张原始低分辨率图像。最后，讨论了稳定的相干传递函数重建所需的条件，并通过模拟和实验进行了验证。

基于宏观反射式傅里叶叠层成像理论，提出一种主动相干光学合成孔径超分辨成像空间目标探测系统。采用主动相干光源配合单个小孔径相机，采集目标低分辨图像序列，通过傅里叶叠层拼接算法重构接近等效合成孔径倍率的超分辨图像。给出了系统的总体方案和详细设计，并通过搭建的宏观反射式近红外主动相干光学合成孔径超分辨成像地面实验装置验证了系统的超分辨成像能力。该系统有望通过小孔径实现等效合成孔径全天时高分辨成像效果，大幅缩减载荷口径需求。弥补传统空间目标探测系统夜间成像能力的不足，提升空间目标夜间探测能力。

傅里叶叠层显微术（Fourier Ptychographic Microscopy，FPM）通过采集不同照明角度下的一组低分辨率强度图像，并利用合成孔径与相位恢复技术拼接融合，实现了大视场和高分辨率的定量复振幅成像。精确的频谱位置是重构算法的重要先验知识，对获得高质量的重构图像至关重要。因此，校正决定图像频谱位置的照明光源位姿成为了实现鲁棒FPM系统的重要工作。近年来，多种校正照明光源位姿的方法相继被提出：采用多自由度精密机械平台校准的机械校正法、根据采集图像强度或频谱信息的数据驱动校正法及基于显微镜光学原理的成像机制校正法。本文简要介绍了FPM的基本原理和光源的位姿偏差，对3类校正方法的原理和特点进行了综述。机械校正法可以从源头上消除位姿偏差，但费时费力；数据驱动校正法能够自动校正位姿偏差，但存在校正时间长和校正参数耦合的问题；成像机制校正法不仅校正鲁棒性高，还能够从多种系统误差中分离出准确的位姿参数，是一种极具发展潜力和应用前景的校正方法。

宏观傅里叶叠层成像技术通过在频域中拼接融合低分辨率图像来重建出高分辨率图像，然而移动相机捕获低分辨率图像的过程中极易出现相机位置失配，从而导致重建图像质量降低。提出了一种基于粒子群的相机位置失配校准算法，该方法采用逐点校准策略，在频域中对部分含有低频信息的图像进行校准并更新频谱，然后对全部低分辨率图像进行迭代校准，获取精确位置后通过相位恢复算法重建出高分辨率图像。在真实场景中，传统傅里叶叠层成像算法重建图像的分辨率为4.00 lp/mm，所提算法校准后重建图像的分辨率为5.04 lp/mm，重建图像质量显著提升且校正效果优于同类算法，并且运行消耗时间与同类校准算法相比减少10.9%以上。该算法能有效解决宏观傅里叶叠层成像技术对相机扫描位置精度严苛的需求，提升重建图像质量，减少时间成本。

傅里叶叠层成像是一种实现光学系统高分辨率、大视场成像的技术。传统FP方法的高分辨率重建过程需要较高的孔径重叠率，导致采集图像数量较多，采样效率低。此外，FP重建算法的复杂度高，重建时间长。针对以上问题，本文结合深度学习，提出一种基于多尺度特征融合网络的傅里叶叠层成像算法，通过改进的特征金字塔卷积神经网络，能够从稀疏采样的低分辨振幅图像中提取特征信息并进行融合，实现超分辨的复图像重建。实验结果表明，在相同采样条件下，与传统方法相比，本文提出的深度学习算法提高了图像重建的质量，减少了90%以上的重建时间，并且对高斯噪声的鲁棒性较高。所提出的方法能够将相邻频域子孔径间的重叠率从50%降低至25%，减少50%的采集图像数量，大幅提高采样效率。

傅里叶叠层显微成像术是近年来提出的新型计算成像技术，它有效解决了传统显微成像中分辨率与视场制约的问题，无需对样本进行机械扫描便能获得十亿像素级的高通量图像，有效解决传统数字病理扫描仪器的拼接伪影、重影、拼接成功率低、景深狭小、效率偏低等问题。近年来更是发现其不单是解决视场与分辨率制约的工具，更是解决一系列权衡问题的范式，从而迸发出源源不绝的生命力与应用潜力。本文全方位概述了傅里叶叠层显微成像术技术9个方面的发展趋势，简介了其起源与基本原理，着重综述了其在面向下一代数字病理成像分析仪的多个阶段与最新进展。指出其在这一应用方向上已进入“10-100”的产业化阶段。讨论了其产生大规模社会经济效益的可能性，其极有可能给数字病理行业及其上下游相关行业带来突破进展。尽管如此，作为典型交叉领域仍有不尽人意之处，包括科学问题、技术问题、工程问题及行业问题，需要多方共同努力推进，展望了未来技术与工程发展方向。