近年来,光场成像技术受到了计算摄影学、计算机图像及光学领域研究人员的广泛关注。目前,由于空间-角度分辨率折中导致的光场成像分辨率不足问题仍然阻碍着光场系统应用的进一步发展。相较于传统图像超分辨率技术,深度学习的图像超分辨率技术近期取得了更优的超分辨率结果。但是,此类方案的学习或训练过程严重依赖于训练样本集,这使得其方法的泛化性能明显不足。本文提出了一种新型零次学习算法的光场空间-角度域超分辨率重建算法。与传统具有明确场景先验模型不同,本文提出在对极平面图像空间中学习跨尺度可复用特征。在不使用任何外部训练数据的前提下,本文算法同时对光场空间-角度与信号进行超分辨率重建。在多个公开的光场数据集上,相较于经典深度学习的图像超分辨率算法,本文算法均取得了明显优势。与现有大样本学习的光场超分辨率方法相比,本文方法的结果虽不及其空间超分辨率算法的结果,但仍可获得与之可比的角度域超分辨率性能。本文主要研究工作如下:（1）根据零次学习理论,本文提出将零次学习理论与光场图像超分辨重建相结合,构建一个小型CNN网络。在无需任何外部数据集的前提下,该网络可采用跨尺度方式,用输入光场与其降采样光场进行训练,最终在原始尺度上对输入光场进行预测重建。该方法能够实现光场图像的空间-角度域分辨率同时提高。（2）本文进一步采用深度残差网络对光场图像进行超分辨率重建。在上述零次学习超分辨率重建的基础上,该网络针对光场角度和空间域重建的残差进行优化,进一步增强了重建图像的高频信号。根据结果可知,该算法有效的提高了重建精度与计算效率,在峰值信噪比、结构相似性以及运行时间等量化指标上显著优于本文所对比的方法。（3）最后,本文使用PyQt搭建UI界面实现了上述两种超分辨算法的软件开发。从软件工程思想出发,本文对该软件分析、设计、开发及功能测试等一系列软件开发环节进行了描述。经过测试与使用,该软件的所有功能均可以达到设计预期,软件运行正常,操作与显示简便,为用户快速利用本文所提算法进行光场超分辨率重建提供了可视化的操作途径。综上所述,本文分析了光场跨尺度内部相似性,提出一种无需任何外部数据集的光场超分辨率算法。该算法在EPI空间中提取跨尺度可复用特征,能够同时对光场图像的空间-角度域进行超分辨率重建。