在当今的信息化时代，随着人类对高质量图像和视频的主观需求越来越强烈，图像和视频处理技术越来越广泛地应用在各个领域。图像复原技术是指在现有硬件条件下，从软件层面对退化图像和视频进行处理，使其尽可能地复原出目标场景的细节信息以提升图像和视频质量。近年来，深度学习由于具有强大的自学能力，可以端到端地学习不同质量空间的特征映射，为图像复原领域带来了全新的发展理念。
　　在图像复原任务方面，现有的深度卷积神经网络大多致力于提高单一图像复原任务的性能，无法很好的兼顾多个复原任务。一个理想的图像复原网络应该能够很好地支持多个复原任务。同时，特征尺度的选择在提取不同图像复原任务的有效信息中存在着关键性差异。因此，本文提出一种用于多图像复原任务的跨尺度密集残差网络，利用不同图像复原任务的相关性，建立多空间尺度特征提取机制和多时间特征重用机制。该网络包含跨尺度密集残差块，用以自适应地学习不同分辨率空间的尺度特征；块内跨尺度连接，用于产生块内跨尺度的特征信息流；块间密集连接，用于实现块间同一空间尺寸下的特征信息复用。综合实验证明了该模型提出的必要性以及它在图像超分辨率、去噪和JPEG去块效应这三项任务上的一致优势。
　　在视频超分辨率重建任务方面，之前的基于深度学习的方法未能较好地平衡帧间空间和帧内时间关系，在重构过程中仅仅通过叠加卷积层来构建网络，而忽略了学习深度网络的分层特征。为解决上述问题，本文提出一种基于密集连接和残差学习的视频超分辨率重建网络，既可以正确地对齐多个视频帧以保留低频信息，又能充分地利用卷积神经网络的分层特征以恢复高频细节。二次连接块作为网络的基本组件，通过自适应的学习过程显式地挖掘短期记忆。该网络在视频超分辨率重建任务上的定量和定性评估结果均优于目前最先进的方法。