光场成像作为一种新的成像技术,突破了传统二维成像的局限,能够在记录光线位置信息的同时获取光线的方向信息,这些额外信息能够使光场得到广泛的应用,例如深度估计,目标检测,光场三维渲染,三维重构等。但是由于光场相机硬件条件的限制与拍摄过程中由于环境、光线、抖动等外界因素的干扰,所获得的光场图像往往分辨率不高并有不同程度的噪声污染,很难满足实际应用的需要。本文针对这个问题,对光场图像的去噪方法和超分辨率方法展开了研究,主要工作如下:第一,针对光场图像获取时噪声较大的问题,对LFBM5D光场去噪算法进行研究,并改进了LFBM5D算法。针对原算法中使用固定图像块大小进行匹配滤波,没有考虑在块匹配滤波算法中不同形态成分区域的最佳图像分块大小不同的问题,结合图像块分类,对平滑,纹理和边缘图像块分别以不同的图像块大小进行匹配滤波,将原算法的基础估计和最终估计两个阶段分别拆分为平滑块去噪、纹理块去噪、边缘块去噪、整体去噪四个子阶段。并在相似块匹配时引入结构相似性判别标准,进一步增强匹配精度。实验结果表明,改进方法比原方法的去噪效果在主观视觉和客观指标两方面表现更好。第二,针对光场图像在获取时空间分辨率较低的问题,对光场超分辨率方法进行研究,改进了基于小波域字典学习的单图像超分辨率算法,并将其与光场超分辨率框架结合,实现了对光场的超分辨率重建。针对原算法中对于高低分辨率图像在两个冗余字典下的稀疏表示系数是相同的假设太过于理想,导致稀疏表示系数之间的弱学习问题,引入半耦合字典学习机制,通过学习一组映射矩阵建立高低分辨率图像的稀疏表示的映射关系,从而加强重建质量,实验结果表明改进方法比原方法在主观视觉和客观指标表现更好。进一步将改进算法与光场超分辨率框架结合,实现对光场图像的超分辨率重建,并与当前主流光场超分辨率算法比较,实验结果表明提出的方法具有一定的竞争力。