为抑制激光散斑噪声对定量相位重建精度的影响，本文基于经验模态分解提出了一种激光散斑噪声抑制方法。该方法只需采集一张全息图像且无需添加额外硬件设备，避免了寻找最优处理参数的复杂过程。首先，采用经验模态分解突出图像细节信息。其次，使用边缘检测克服各向异性扩散方程中梯度算子抗噪声能力不强、不能识别伪边缘等问题，对细节突出的图像进行边缘检测。最后，由高精度的边缘检测结果引导扩散去噪过程达到更好的散斑抑制效果。实验结果表明，经过本文方法处理后，重建相位的结构相似性提高了12.900 0%，边缘保持指数提高了14.386 1%，散斑抑制指数降低了8.129 9%，并且相位截面曲线与原始相位最接近。本文所提出的方法不仅具备更好的去噪效果，而且更有效地保留了细节信息，相位重建的精度更高。

针对手写字体特征提取难、识别效率低甚至错误的问题，提出一种结合鬼成像原理和分类网络的思想用于手写字体的识别。首先，使用激光器、数字微镜阵列、单像素探测器等搭建鬼成像探测系统，利用系列哈达玛散斑场分别实现对17 239幅手写字体的照射；其次，利用单像素探测器对手写字体透射的总光强值进行采集，并将其转换为一维向量作为网络训练的输入；最后基于卷积神经网络在图像分类的优势搭建网络架构且为解决训练过程中的网络退化问题加入残差块。实验结果表明：对于手写数字来说，全连接神经网络与卷积神经网络的精密度、召回率、F1值分别提高86.50%/97.25%、86.40%/98.03%、86.31%/97.60%；对于手写字母来说，卷积神经网络在全采样下的精密度、召回率、F1值分别为91.87%、90%、90.23%。该方法利用鬼成像原理，仅通过手写字体透射的总光强值而无需对手写字体的特征进行提取与识别便可进行快速分类，大幅提升了手写字体的识别效率。

利用多个散斑图组合的方式提出了一种新的鬼成像优化方法.利用桶探测器值的大小对照射到目标物体上的多个散斑图进行排序，使相邻散斑图间差异性减小；通过对相邻散斑图间的叠加以及对应桶探测器值的调制，有效降低待关联数据间冗余和数量，并利用不同的关联运算规则实现对目标物体的重构.数值仿真结果表明，对于目标图像，在总采样次数4 000次、4个相邻散斑图组合方式下，所提方法与未组合-调制下传统鬼成像、差分鬼成像和正负调制鬼成像相比，其峰值信噪比/对比度分别提升了21.7%/27.3%、8.3%/17.8%和14.7%/25.7%；通过对20幅目标图像的数值模拟与结果分析，发现峰值信噪比/对比度提升率在15%和30%以上的占比分别为90%/85%和50%/55%，说明该方法具有较好的普适性和推广价值.