光场相机凭借着可以记录当前场景三维信息以及强大的后期处理能力,成为近年来的研究热点。随着相机小型化的发展以及图像计算能力的提升,相较于已经商业化的微透镜型光场相机,阵列相机拥有更加广阔的发展前景。然而,阵列相机较长的基线导致其在角度方向上的采样较为稀疏,使得许多现有的光场成像算法无法取得令人满意的结果。鉴于此,本文基于阵列相机成像体制,以稀疏角度采样条件下的合成孔径成像问题为中心开展研究,取得了如下进展:在深度估计方面,本文提出了一种新的深度估计算法,在估计场景深度的同时计算出所估计深度对应的置信度,并基于置信度的引导对初始估计的深度进行优化。本文提出的深度估计算法在处理场景弱纹理区域时有较为突出的表现。在合成孔径成像方面,本文提出了一种新的合成孔径成像算法,解决了传统重聚焦算法用于阵列相机时,重聚焦图像焦外区域存在混叠失真且图像分辨率较低的问题。本文提出的合成孔径成像算法首先利用估计出的场景深度区分聚焦区域与焦外区域,然后对焦外区域进行虚化渲染以模拟大孔径高质量光学相机的真实虚化效果,最后将虚化图像作为正则项置于超分辨框架中,同时提升图像分辨率与焦外虚化质量。在图像融合方面,本文提出了一种基于静态小波变换的多聚焦图像融合方法。相比于传统基于离散小波变换的多聚焦图像融合算法,本算法采用对小波基函数的插值来取代对输入图像的下采样,缓解了融合图像中由于下采样所带来的失真。本文将提出的合成孔径成像算法与多聚焦图像融合算法相结合,实现了对场景任意指定深度区域的选择性聚焦。在图像超分辨方面,本文对超分辨重建算法的收敛性进行了研究,总结了影响超分辨重建精度的因素,探索了下降方向、步长以及迭代次数对模型数值求解的影响,并提出了一种自适应步长线性搜索策略。该策略通过推导最优步长的近似解析解并进行自适应修正,在超分辨求解的每次迭代中都能计算得出最优步长,改进了超分辨重建算法的收敛性。本文在光场公开数据集上对上述所有算法进行了综合测试,通过与领域内多个主流算法的比较,验证了本文所提算法的有效性与优越性。同时,本文利用课题组开发的光场成像设备,在实验室场景中进行了实验,验证了本文所提算法的实用性。