三维形貌测量在先进制造、航空航天、生物医学等领域发挥着重要的应用。凭借高精度、全视场、非接触等优点，条纹投影轮廓术是目前使用最广泛的一种光学三维测量手段。为了获得物体全局三维信息，通常需要将待测物置于转台之上，通过不断地扫描和拼接来获得物体的全局信息。然而，传统的扫描和拼接是以离线的方式进行的，导致整个三维模型的重建速度缓慢。现有的实时点云配准方法虽然能够有效提高点云扫描与拼接的速度，但实时点云拼接的精度依然受待测物的运动状态影响。本文针对上述问题进行优化改进，提出一种基于全局优化的实时高精度模型重建方法。首先，介绍了一种由粗配准到精配准的快速点云配准算法并提出了基于点云法向量约束的点云初始化算法，能够提升粗配准过程中点云初始位姿计算的稳定性与精度。其次，在精配准阶段引入了图优化算法以获得全局点云位姿的最优解，进一步提升了全局点云配准的精度。实验结果表明，所提方法相比于现有实时模型重建方法，能够实现更高精度且稳定的全局点云配准。特别地，针对动态场景中由于抖动等因素引起的被测物体速度突变等情况，本方法依然能够鲁棒地完成三维模型重建，全方位模型重建的精度达84 μm。

传统光学成像实质上是场景强度信号在空间维度上的直接均匀采样记录与再现的过程。在此过程中，成像的分辨率与信息量不可避免地受到光学衍射极限、探测离散器采样、成像系统空间带宽积等若干物理条件制约。如何突破这些物理限制，获得分辨率更高，视场更宽广的图像信息，是该领域的永恒课题。本文概括性地介绍了分辨率、超分辨率与空间带宽积拓展的相关基础理论，核心机理及其在计算光学成像中的若干实例。通过将这些具体个案置入“计算光学成像”这个更高维度的体系框架去分析与探讨，揭示了它们大多数都可以被理解为一种可称作“空间带宽积调控”策略，即利用成像系统的可用自由度，在成像系统有限空间带宽积的限制下，以最佳方式进行编解码和传递信息的过程，或者形象地说——“戴着脚镣跳舞”。这实质上是一种在物理限制下，在“得”与“失”之间所作出的符合规律的权衡与选择。本文的结论有望为设计和探索面向各类复杂现实成像应用的新型成像机理与方法提供有益启示。

荧光显微镜具有对样品损伤小、可特异性成像等优点，是生物医学研究的主流成像手段。随着人工智能技术的快速发展，深度学习在逆问题求解中取得了巨大成功，被广泛应用于诸多领域。近年来，深度学习在荧光显微成像中的应用掀起了一个研究热潮，为荧光显微技术发展提供了性能上的突破与新思路。基于此，首先介绍了深度学习的基本网络模型，然后对基于深度学习的荧光显微成像技术在荧光显微的空间分辨率、图像采集及重建速度、成像通量和成像质量提升方面的应用进行阐述。最后，对目前深度学习在荧光显微成像中的研究进行总结与展望。

计算光学显微成像技术将光学编码和计算解码相结合，通过光学操作和图像算法重建来恢复微观物体的多维信息，为显微成像技术突破传统成像能力提供了强大的助力。这项技术的发展得益于现代光学系统、图像传感器以及高性能数据处理设备的优化，同时也被先进的通信技术和设备的发展所赋能。智能手机平台作为高度集成化的电子设备，具有先进的图像传感器和高性能的处理器，可以采集光学系统的图像并运行图像处理算法，为计算光学显微成像技术的实现创造了全新的方式。进一步地，作为可移动通信终端，智能手机平台开放的操作系统和多样的无线网络接入方法，赋予了显微镜灵活智能化操控能力与丰富的显示和处理分析功能，可用于实现各种复杂环境下多样化的生物学检测应用。文中从四个方面综述了基于智能手机平台的计算光学显微成像技术，首先综述了智能手机平台作为光学成像器件的新型显微成像光路设计，接下来介绍了基于智能手机平台先进传感器的计算光学高通量显微成像技术，然后介绍了智能手机平台的数据处理能力和互联能力在计算显微成像中的应用，最后讨论了这项技术现存在的一些问题及解决方向。