在成像过程中很多原因会引起图像退化,从而导致图像的视觉质量遭到严重的破坏,其中图像模糊是最常见的退化因素之一。例如目标与成像系统自身的抖动或者目标的相对运动、镜头聚焦不准,以及因环境因素引起的气溶胶密度的改变,都将导致观测图像出现不同程度的模糊退化,并严重影响工程应用的后续进程。针对图像模糊退化的问题,本文从自然图像的先验模型、退化图像的特征以及点扩散函数的估计等方面进行讨论与研究。并根据退化情况的不同,提出了不同的解决方案。本文的主要内容和创新点如下:1、提出了一种基于自然图像数理统计规律的图像先验模型,并利用贝叶斯层次理论设计了一种解卷积算法求解出清晰的图像。本文对大量的自然图像进行数理统计与分析,得到一种以伽马曲线和高斯分布相结合的分布模型作为自然图像的先验分布,然后通过贝叶斯层次理论以及由随机噪声建模推导出的关于观测图像与原始图像之间的似然函数,构造出一个基于原始图像后验分布的目标函数,并设计了一种具有尾递归结构的优化算法分别从负梯度方向和共轭方向交替搜索以寻求该模型的最优解,由此便得到了原始图像在该先验模型约束下的最优估计。2、提出了一种基于抽样分布理论的图像模糊程度度量方法以及基于图像梯度域自相关函数的模糊图像特征,通过深度神经网络技术构建出一种能够对退化模型参数进行预测的神经网络。本文先以中心极限定理的观点分析图像退化的过程,论证了模糊后的图像和原始图像在高斯特性上存在差异性,然后以信号分离理论的角度论述了使用高阶统计量对图像的退化程度进行度量以及从退化模型的参数空间中求解图像复原问题的可行性。此外,退化图像在梯度域中的自相关函数在幅值特性上与退化模型的种类具有很强的关联性,并且随着模糊程度的变化,对应的自相关幅值曲面也会因退化类型的不同而产生相应的变化。基于这一规律,在特定的退化模型下通过不同的模型参数对实验图像进行模糊处理后,再将上述模糊特征提取并利用广义递归神经网络进行训练,可以得到一组能够预测退化模型参数的网络。最后,原始的清晰图像可以通过总变分正则化的解卷积算法进行求解。3、提出了一种基于图像稀疏特性的点扩散函数估计方法。清晰图像中的物体及场景在边界处灰度值的突变,反映在梯度域中为明显的轮廓线条,但是在退化图像中,边界处的灰度变化变得平缓,梯度域中的轮廓变得模糊不清。对梯度域进行直方图统计可以发现,模糊后的非零值占比大幅度增多而导致稀疏性减弱。根据这种现象,本文采用克罗内克-德尔塔函数对图像梯度域进行非零值计数以度量其稀疏特性,根据最大后验概率框架设计出一种基于稀疏性优化的点扩散函数的估计方法。然后采用一种由重尾分布的先验模型推导出的图像解卷积算法进行模型求解,得到复原后的清晰图像。