四维光场图像在生物医学、工业光学检验、深海探测等领域有着较为广泛的应用,然而普遍较低的空间与角度分辨率,限制了其应用场景。因此,光场图像超分辨率成为了计算成像领域的一个重要研究课题。近年来,基于深度卷积神经网络的光场图像超分辨率技术取得了重大的进展,然而现有的光场超分辨率技术仍然面临重建保真度低、网络模型参数量过大、泛化能力差等问题。针对这些问题,本文从性能提升、轻量网络、模型泛化等三个方面展开研究,利用并结合每个问题下可用的多种光场图像相关特性,探究并设计对应的算法,具体内容如下:在性能提升方面,本文提出了结合内部与外部相关性的光场图像超分辨率算法,该算法结合了内部相关性与外部相关性方法各自的优势,提升了算法重建性能。首先,该算法改进了传统的投影法,用于更好地利用光场图像内部相关性,同时,该算法也设计了基于对齐与融合的神经网络方法,用于更好地利用光场图像外部相关性。随后,通过对上述两种方法进行定量与定性的分析,本文发现了内部与外部相关性之间具有互补性,并据此提出一个逐像素自适应融合网络,通过学习加权矩阵来结合两种相关性的优势。与基准方法相比,无论是在合成的还是真实的数据集上,本文的方法都展现出了重建性能的优越性。在轻量网络方面,本文提出了结合空间-角度自相关性与互相关性的光场图像超分辨率方法,该方法对四维光场空间维与角度维自身信息与二者相关信息进行分别提取利用并结合,用二维卷积构建了高效的光场特征提取模块,使得搭建的网络足够轻量化的同时也有优异的重建性能。具体而言,本文首先分析了轻量型的空间-角度分离卷积模块在几何信息建模上的缺陷,据此提出利用空间-角度互相关性来提取几何信息,构建了空间-角度关联卷积模块。随后,通过误差与特征分析,本文验证了上述两种模块在四维光场特征嵌入上的互补性,并据此提出了空间-角度全能卷积结合二者的优势。在光场空间、角度超分辨率两个重建任务上的实验表明,基于本文所提出的模块的网络能够在使用更少参数量的情况下,相比于基于空间-角度分离卷积的方法以及其他基准方法获得更加优越的重建性能。在模型泛化方面,本文提出了结合跨尺度与跨视角相关性的零样本学习光场图像超分辨率算法,该算法构建零样本学习训练框架以利用跨尺度相关性、搭建神经网络以利用跨视角相关性,并通过训练策略将二者进行结合,以充分利用单张光场图像自身的信息。具体而言,该算法直接从输入的低分辨率光场图像本身提取样本,并将这些样本用于网络训练,以学习对参考视角的超分辨率映射。同时,基于对零样本学习设定下训练样本受限时各网络训练表现的观察,本文提出“分而治之”的网络搭建与学习策略,以结合利用跨视角相关性提升重建性能,并减少端到端策略下的学习压力。此外,本文还基于该零样本学习方法进一步提出误差引导的精调算法,用于进一步结合外源数据集提供的外部相关性,进一步提升算法的鲁棒性和泛化能力。大量的实验证明了本文所提方法不仅超越了经典非学习方法,还能够在域间差异较大时,相比于基准的深度学习方法更好地泛化到目标域的光场图像。