单像素成像是一种新型的成像技术,该成像技术通过预调制的激光散斑进行主动照明,通过算法解算出重构目标的图像信息,由于单像素成像的非定域性、高抗干扰等特性,它已成为计算成像领域的一个研究热点。然而,成像效率和成像质量一直是掣肘单像素成像实用化进程的难题,为了获得高质量的成像结果,需要进行大量的测量,再采用重构算法进行强度像的解算,因此成像帧频难以达到实际应用的要求。本文主要围绕傅立叶单像素成像技术开展研究工作,针对成像效率和成像质量难以兼得的难题提出新的重构解决方法。本文的主要工作总结如下:（1）傅立叶单像素成像采用对目标进行空间频域欠采样来减少测量次数,因此重构结果中无法避免地出现振铃效应,特别是在采样率较低的情况下尤为明显。另外,傅立叶单像素成像虽然一定程度地减少了采样次数,但重构结果的图像质量也会随着采样次数的减少有所降低。因此傅立叶单像素成像如何能够在低采样条件下高效地获得高质量的成像结果仍旧难度较高。为了解决这一问题,本文提出了一种基于生成对抗网络的傅立叶单像素成像重构方法。该方法采用生成对抗网络模型进行强度像重构,在提出的模型中,生成器采用三个级联的U-Net作为生成器,鉴别器使用卷积神经网络,感知损失、像素损失和频率损失被纳入到总损失函数中,以更好地保存目标的细节。该方法能够有效地减少重构结果的振铃效应的影响,同时保证傅立叶单像素成像可以在低采样率条件下重构出高质量的结果。（2）为了进一步减少测量次数和提升成像效率,同时获得高分辨率的重构结果,本文提出了基于U-Net和注意力机制的傅立叶单像素成像重构方法。所提出的方法采用生成对抗网络结构,将U-Net和注意力机制并行结合,使用通道注意力机制和空间注意力机制为高分辨率图像的恢复提供更多的高频信息。通过该方法可以在较少测量次数的前提下有效消除振铃效应对高分辨率重构结果图像质量的影响,实现高分辨率、高质量的傅立叶单像素成像图像重构。另外,该方法的成像效率也有了进一步的提升。（3）不同于自由空间成像,由于水体和水下悬浮颗粒对成像系统的干扰增加了成像环境的复杂度,从而使水下主动光学成像质量不佳。单像素成像能够解决目前水下光学成像所面临的难题。但是水下单像素成像系统需要主动照明,前向散射会对传播过程产生干扰,因此会导致重构的图像质量降低。由于提出的基于深度学习的傅立叶单像素成像重构算法需要大量的数据进行训练,而水下成对的数据难以获取,难以适用于水下傅立叶单像素成像。因此,本文提出了基于水体退化函数补偿的水下傅立叶单像素成像重构方法。该方法通过最小二乘法估计影响水下傅立叶单像素成像系统的水体退化函数,来实现对目标空间频谱的重塑,再通过傅立叶逆变换得到重构的水下目标图像。该方法能够降低前向散射对水下傅立叶单像素成像系统的干扰,提高水下目标重构结果的质量。