事件相机是一种新型的视觉传感器,具有高时间分辨率、高动态范围以及低功耗等特性,因此在计算机视觉、机器人、自动驾驶等领域具有极高的应用价值。与传统相机成像过程不同,事件相机由场景的光强变化来异步地触发产生事件,输出时空稀疏的事件流。但是,这些事件流仅能反应光强变化,缺乏场景的纹理和细节,并且容易受到噪声的干扰,导致大多数传统视觉处理的方法不能直接应用于处理事件流。因此,对事件相机进行去噪和图像重建的研究对于事件相机在后续实际场景的应用具有十分重要意义。事件相机通过感知场景亮度变化从而输出具有像素空间、时间和极性信息的事件流。事件流在时间上连续分布且在空间上的分布与场景边缘结构近似,这种结构特性可以用于事件流的去噪问题中。另外,事件可以表示连续图像帧之间的强度变化,事件在时空域中的运动连续性与传统强度图像提供的场景信息进行互补融合,对于事件相机进行高质量、高帧率的重建是非常有用的。因此,本文基于事件的时空特性分别进行了事件相机去噪以及图像重建研究。本文首先针对事件流中的噪声干扰,设计了一种基于低维流形约束的事件流去噪算法,算法利用图来近似表示事件时空分布的流形结构,并在图上定义流形约束来平滑事件流的噪声。接着针对事件相机图像重建中运动模糊以及噪声问题,本文提出了基于两种平滑约束的事件相机图像重建算法。本文的图像重建算法在建立强度图像与事件流关系模型的基础上,首先引入了全变分正则项作为图像空间平滑约束,建立基于全变分约束的重建模型来进行重建。最后,本文在变分重建模型的基础上,融合事件流的高分辨率的时间信息,利用事件时间戳定义事件流形曲面,将全变分重建模型扩展为由事件流形定义的时空约束上的变分模型,通过联合优化求解来完成图像重建。本文在仿真数据及真实事件数据集上进行事件相机去噪与亮度图像重建算法的实验,实验结果证明了本文提出的算法在高速、高动态场景条件下的有效性以及鲁棒性。