通过分析相邻子区间的相关系数与散斑质量的关系，提出一种新的全局散斑质量评价参数，即平均近邻零均值归一化互相关系数，可用于单个散斑的评价。与信息熵、平均灰度梯度这两种常用的全局散斑质量评价参数对比分析发现，提出的平均近邻零均值归一化互相关系数稳定性更好。实验结果表明，平均近邻零均值归一化互相关系数越大，位移测量中的均值误差和标准差越小，散斑的质量越高；当散斑在位移实验中的最大均值误差为0.01 pixel时，平均近邻零均值归一化互相关系数一直稳定在0.90左右，而其他几种参数值随着散斑尺寸的增大发生了较大的变化，证明了该参数的有效性，且更适合单个散斑的质量评价。

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.

针对低采样下重构图像的成像质量和成像速度问题，提出一种基于卷积神经网络的计算鬼成像方法.首先，利用关联计算方法重建的一组训练集图像和相应的无损图像训练一个卷积神经网络；然后，将通过关联计算重建的测试集图像作为卷积神经网络的输入层，使其能够学习传感模型并最终能够预测出相应的图像；最后，将经卷积神经网络还原的图像分别与计算鬼成像和结合压缩感知算法重建的图像进行详细的对比实验分析.实验结果表明：本文方法在0.08采样率下能优质量地还原出被测物体的像，且成像质量均高于其他方法；同时，在不牺牲图像质量的条件下，执行程序所需的单张图像重建耗时约0.06 s，极大地提高了图像重建的速度.分别通过数值模拟和光学实验，验证了本方法的有效性，对工程应用具有重要意义.