为了提高寄生式时栅传感器的测量精度， 分析了它的工作原理和动态误差组成,得到其主要误差分量为常值误差、周期误差和随机误差等。针对寄生式时栅误差特点，建立了寄生式时栅动态误差高精度预测模型，并与其他建模方法进行了比较。选用插入标准值的贝叶斯预测模型，以实际测量的传感器第一个对极动态误差数据进行建模，在后续对极特定位置插入部分实际误差测量数据，建立误差预测模型，预测了传感器后83个对极的动态误差。 另选用三次样条插值和BP神经网络建模方法对寄生式时栅整圈动态误差建模，并与建立的误差模型进行了对比。验证实验表明，三次样条插值建模时间最短(0.62 s)，但其建模精度不高(16.050 0″ ); 贝叶斯动态模型建模时间(0.86 s)略长于三次样条插值，但建模精度最高(0.415 3″); BP神经网络建模时间最长(32 min)，但建模精度最低(19.680 2″)。同时贝叶斯插入标准值建模方法所需数据点(69395个)远少于三次样条和BP神经网络建模数据点(235526个)，节省了大量的标定时间和建模数据量，因此可用于寄生式时栅传感器的动态测量误差高精度建模修正。

针对闪光照相图像低信噪比的特点，研究了一种带约束的贝叶斯图像重建算法，较好地抑制了噪声对重建结果的影响，同时对细节信号具有较高的保持能力。该算法以贝叶斯重建为基础，在重建过程中考虑了闪光照相图像的受模糊影响比较严重的特点，引入了重建结果具有平滑性的先验信息进行约束，以提高重建结果的信噪比。通过在迭代过程中对重建结果进行平滑性约束以提高重建质量。数值模拟结果表明，该方法在闪光照相图像重建中具有较好的抗噪能力和边界保持能力。