研究了在不同系统误差和不同目标算法下相干传递函数的重建质量，发现相干传递函数的重建比物体的重建更稳健。基于此，报道了一种用于傅里叶叠层显微成像术的子区域平移方法，以加速有限图像下的相干传递函数重构收敛速度，消除由周期性照明光源阵列引起的栅格噪声，实现图像的重聚焦，并使用相干传递函数去卷积提高图像的对比度。此外，研究了傅里叶叠层显微成像术的空域和频域数据冗余来恢复相干传递函数，发现至少需要大约40%的频谱交叠率来精确重建相干传递函数，比无像差条件下高出10%，为了相干传递函数的稳定性需要至少25张原始低分辨率图像。最后，讨论了稳定的相干传递函数重建所需的条件，并通过模拟和实验进行了验证。

傅里叶叠层显微术（Fourier Ptychographic Microscopy，FPM）通过采集不同照明角度下的一组低分辨率强度图像，并利用合成孔径与相位恢复技术拼接融合，实现了大视场和高分辨率的定量复振幅成像。精确的频谱位置是重构算法的重要先验知识，对获得高质量的重构图像至关重要。因此，校正决定图像频谱位置的照明光源位姿成为了实现鲁棒FPM系统的重要工作。近年来，多种校正照明光源位姿的方法相继被提出：采用多自由度精密机械平台校准的机械校正法、根据采集图像强度或频谱信息的数据驱动校正法及基于显微镜光学原理的成像机制校正法。本文简要介绍了FPM的基本原理和光源的位姿偏差，对3类校正方法的原理和特点进行了综述。机械校正法可以从源头上消除位姿偏差，但费时费力；数据驱动校正法能够自动校正位姿偏差，但存在校正时间长和校正参数耦合的问题；成像机制校正法不仅校正鲁棒性高，还能够从多种系统误差中分离出准确的位姿参数，是一种极具发展潜力和应用前景的校正方法。

研究提出了一种基于编码⁃解码结构的生成对抗网络（Generative Adversarial Networks，GAN）并用于散射环境下目标的计算光学成像。利用目标对应的相位图通过计算光学散射成像系统来生成训练集和测试集，并采用此GAN网络学习散斑图和目标图像的函数映射关系。实验对比了不同散射条件、不同数据集下散射成像的质量，结果表明该GAN网络具备良好的泛化能力并能较好地实现散射环境下的计算光学成像。文中也提出了三种改进的损失函数并进一步对其成像质量进行了分析。实验发现，包含了结构相似性函数的损失函数能更有效地改进计算散射成像的质量。文中提出的散射环境下利用GAN网络实现计算光学成像的方法对促进计算光学成像发展具有重要意义。