鬼成像是一种新兴的成像方式,其利用光场间的强度涨落关联重构目标图像,可以突破传统成像方式的技术局限,在某些条件下实现无透镜成像、抗大气湍流成像和抗散射成像等,并在微光成像领域有独特的优势。鬼成像系统仅采用一个没有空间分辨率的单像素器件进行探测,但成像质量和成像效率一直是制约其实用化进程的技术瓶颈。机器学习能够通过大量数据和相应的算法实现图像增强和目标识别。本文将机器学习与微光鬼成像相结合,开展了以下工作:（1）提出了基于DnCNN网络的微光鬼成像图像增强方法。首先采用随机高斯光场调制的鬼成像图像作为训练样本对网络进行训练,实现了对低采样数重构图像的降噪。结果表明,该网络可以对采样率仅为9.7%的重构图像进行降噪。其次,搭建了微光鬼成像实验系统验证装置,测试了不同微光照度条件下探测器输出信号的信噪比,为仿真模拟提供了参考数据。在此基础上,使用一维含噪信号作为训练样本对DnCNN网络进行训练,无需重构二维图像,实现了对单像素探测器输出信号的降噪,提高了成像效率。（2）提出了基于ResNet网络非成像式目标识别方法。使用单像素探测器的欠采样信号作为训练样本对ResNet＿v2网络进行训练,实现了欠采样条件下对含噪一维信号的直接识别,无需重构二维图像,并定量分析了采样率以及噪声大小对识别结果的影响。同时进行了实验验证。结果表明,在相同噪声条件下,非成像识别方法在采样数较低时识别精度高,相较于传统方法,其预处理时间更短。此外,本文也对不同稀疏度的目标的识别准确率进行了研究。结果表明,相同条件下,稀疏度较高的目标识别率较高。本文使用机器学习的方法探索了微光场景下进行图像增强和目标识别的方式,有助于为实际应用提供解决方案及思路,拓宽微光条件下鬼成像的应用范围,从而提高鬼成像技术在实际应用中的灵活性。