光谱测量可以获得目标光谱信息从而揭示更多物理特征。然而,目前的光谱测量技术仍存在一定局限。因此针对哈达码变换光谱测量及成像的诸多局限,本文将神经网络引入光谱数据重建中,分别从光谱成像和瞬态光谱测量两个方面进行研究,获得了良好的效果。本文的主要研究内容如下:（1）基于卷积神经网络的光谱图像超分辨率融合。针对哈达码变换成像光谱仪扫描速度与成像分辨率相矛盾的问题,提出一种光谱图像超分辨率融合网络。该网络分为两个模块,图像超分辨率重建模块基于编码器-解码器结构,引入非瓶颈1D结构及亚像素卷积层达到较高的运行效率;光谱图像融合模块基于融合数学模型及多尺度损失函数,通过网络学习相关变换矩阵。实验表明,相比非监督传统算法和其他基于网络的监督算法,本文提出的网络在保证运行效率的前提下实现了较高的重建质量及良好的泛化能力。（2）基于卷积神经网络的单光路亚哈达码变换瞬态光谱测量。针对基于双光路系统的亚哈达码变换瞬态光谱仪系统光强降低、可靠性差等问题,提出一种使用卷积神经网络重建光强分布的哈达码变换瞬态光谱测量方法。在网络中引入光谱维卷积核及逆卷积过程,学习光谱色散叠加逆过程,并使用光强及重建光谱双重损失函数约束,由光谱色散图像重建出光强分布,实现了单光路采集。仿真和实验结果表明,本文提出的方案相比狭缝式光谱仪及双光路亚哈达码变换瞬态光谱仪拥有更高的光谱信噪比,同时光路较为简单,拥有更高的系统可靠性。