图像复原是图像处理和计算机视觉领域的一个重要研究方向,长期受到学术界和工业界的广泛关注。图像复原主要有基于传统图像先验知识和深度卷积神经网络两大类方法:基于传统先验知识的图像复原方法借助统计原理挖掘退化图像和清晰图像之间的内在差异。深度卷积神经网络借助大规模训练数据,构建从退化图像到清晰图像的特定映射函数,通过训练学习获得具有高质量清晰图像复原能力的网络模型。本学位论文结合图像的视觉先验知识与深度学习的语义特征,重点关注其中三个具有代表性的图像复原问题:深度图像超分辨问题、无监督图像去运动模糊问题和模糊图像的超分辨问题,并分别提出三种对应的图像复原方法。论文主要贡献和研究成果总结如下:（1）提出了一种基于彩色引导和由粗到精级联的卷积神经网络实现深度图像超分辨复原。首先,提出了针对深度图超分辨问题的“理想”滤波器概念,并利用卷积神经网络学习提出的近似“理想”滤波器。然后,提出一种由粗到精级联的卷积神经网络来学习不同尺寸的边缘保持滤波器,逐步优化深度图超分辨算法的性能。最后,提出一种高分辨彩色图像引导机制,促进高分辨颜色信息与低分辨深度信息的有效结合,从而加强深度图超分辨网络的结构保持能力并去除不必要的伪影。不同数据集中的大量实验证明了所提出方法在解决深度图超分辨问题中的优越性。（2）提出了一种基于结构保持的多对抗图像去运动模糊网络实现盲图像去运动模糊复原任务。首先,提出基于循环一致生成对抗网络（Cycle-consistent Generative Adversarial Network,Cycle GAN）的盲图像去运动模糊算法,克服以往去模糊算法对大量成对训练数据的需求及模糊核估计产生误差的缺陷。然后,提出一种多对抗网络结构促进网络在不同分辨率上尽可能地生成对应的清晰图像,解决高分辨图像生成中的伪影问题。此外,通过引入基于边缘引导和多尺度边缘约束的结构感知机制来解决原始无监督方法中结构内容丢失的问题,同时增强去模糊网络的结构和细节保持能力。多个基准数据集上的大量实验充分证明了所提出的无监督去模糊方法优于当前最先进的无监督和有监督的图像去运动模糊方法。（3）提出了一种基于结构保持和交互融合的模糊图像超分辨网络来实现模糊图像的超分辨复原任务。首先,设计了基于边缘图像引导和边缘约束的结构保持模块来增强模糊图像超分辨网络的结构和细节保持能力。同时,为准确提取模糊图像的边缘信息,提出了一个基于多分支融合结构的边缘检测网络。然后,提出了一个基于边缘引导的交互融合模块,以自适应地融合去模糊和超分辨任务的有效特征。此外,我们借助局部注意（Local Attention,LA）模块和全局注意（Global Attention,GA）模块来增强模糊图像超分辨网络的有效特征表达能力。定量和定性的实验结果表明,我们的模糊图像超分辨方法在多个基准数据集上展现出相当优越的性能。