随着数字成像技术的快速发展,数字图像出现在我们日常生活中的各个领域。然而,由于受到设备限制、环境干扰、人为因素等影响,所获取的图像时常受到噪声、模糊和颜色问题的干扰。这些问题的存在不仅使得我们无法观察到清晰自然的图像,也给后续的图像分析和识别带来了诸多困难。本文针对图像去噪、图像锐化、颜色增强三个方面进行了研究和探讨,主要成果如下：(1)基于稀疏冗余表达理论,提出了增强的自适应回溯正交匹配追踪算法(IABOMP)。在提出的算法中,采用的自适应阈值由字典原子与图像内容共同决定,使得算法更加智能。其次,增加的支持域校验和残差反馈机制使得重构出的图像可以保留尽量多的图像细节,并且使获得的表达系数最稀疏。此外,在计算过程中采用的临时字典和自适应步长技术使得算法减少了一半的迭代次数。实验结果证明,提出的算法在信号重构精确度、信号稀疏度、运行时间、去噪结果PSNR数值评估、方法噪声主管评价等方面均获得了很好的表现。(2)针对同时含有强噪声和离焦模糊的图像,提出局部结构自适应锐化算法(LSAS)。与其他方法相比,本文提出的算法会沿着图像边缘方向进行锐化,从而避免了噪声放大和细节模糊问题,并且不会带来过冲现象。为了解决仅凭经验设置参数而带来的锐化效果不理想的问题,基于提出的LSAS扩展出两个迭代版本用于图像锐化盲复原。一个是通过改变局部图像协方差参数获得结果的全自动版本,即ILSAS。另一个是通过改变平滑参数获得结果的优化版本,即OILSAS。实验结果证明,两个迭代版本均可以在很少的迭代次数内自动的获得令人满意的结果。(3)为解决增强图像细节同时避免放大暗区域噪声的问题,基于图像亮度提出两种高动态图像颜色增强算法。一种是自适应权重多尺度Retinex(AVBMSR),另一种是结合亮度函数的自适应多尺度色调映射(AMSTM)。与其他算法普遍采用的平均权重不同,自适应权重赋予每个尺度的处理结果中每个像素点不同的权重值。此外,提出的算法可以在无需颜色复原步骤的情况下,避免处理结果色调偏移和饱和度下降的问题。实验结果表明,本文提出的算法在彩色图像的高动态范围压缩、局部细节增强、颜色渲染,以及暗区域噪声抑制方面达到了更好的平衡,因而使处理结果获得了更好的视觉效果。