随着神经科学的发展,科学家对动物大脑皮层的信号处理机制进行了深入的研究,发现哺乳动物的初级视觉细胞的感受野具有空间局部性、方向性和带通性,科学家提出稀疏编码的模型来描述初级视觉细胞的这些性质。稀疏编码中局部块之间相互独立的假设导致字典中的基是彼此移位的版本,为将移位不变性建模,科学家提出了卷积稀疏编码（Convolutional Sparse Coding,CSC）。CSC是一个双凸问题,当前主流的求解方式是使用交替方向乘子法（Alternating Direction Methods of Multipliers,ADMM）。实验发现,CSC求解过程涉及到处理复杂逆矩阵,导致较大的空间占用和计算量,为解决这个问题,本文引入预条件技术,实现避免矩阵逆运算的效果,从而降低计算复杂度,提升算法的收敛速度。通过调研发现,CSC对具有通道相关性的三维图像进行字典学习的方式存在不足,已有的方法不能较好地考虑到三维图像的空间和光谱完整性。本文提出了采用三维字典和二维系数的结构来构建三维卷积字典学习算法,兼顾了空间维和光谱维的字典学习。同时采用提出的预条件ADMM来对该问题进行求解,避免复杂矩阵逆的计算。随着遥感技术的发展,高光谱图像（Hyperspectral images,HSI）得到了广泛的应用,基于压缩感知的光谱成像技术得到了发展。从远少于图像光谱通道数量的测量值中重建出原光谱通道数的HSI是一个欠定的任务。CSC作为一种无监督的特征提取方法可以为HSI压缩重建提供先验信息。本文提出了基于CSC的高准确度的HSI层析成像压缩重建算法,结合全变分正则化约束项进行重建,提升了 HSI的重建质量。本文基于提出的预条件ADMM的高效卷积字典学习算法、三维高光谱图像高效卷积字典学习算法、基于卷积稀疏编码的高准确度的高光谱图像层析成像压缩重建算法设计并开发了一款具有二维图像字典学习、三维图像字典学习、视差图重建、图像修复和高光谱图像压缩重建功能的图像重建系统。