随着科技的发展,数字图像处理与计算机视觉在人们的生活中扮演的角色越来越重要。数字图像中包含着庞大的信息量,不同类型的图像内容混杂在一起,图像结构纹理分解技术可以根据图像不同内容的不同特点,将图像分解为包含主要信息量、决定人类对图像内容主观认知的结构分量,与包含主要细节、不影响人类对图像内容主观认知的纹理分量。图像结构纹理分解的相关研究已经持续了很多年,主要的挑战在于,一幅图像的结构分量与纹理分量是没有真值的。如何正确地图像的结构分量与纹理分量,是这一研究领域的核心。在过往的研究中,有根据图像边缘梯度的大小进行区分的,也有用图像边缘的空间尺度大小作为区分特征,但是这些研究的局限性较大,比较依赖于特定的图像内容,鲁棒性不强,取得的效果难以令人满意。本文从图像结构分量的局部方向性（各项异性）与纹理分量的周期重复性为出发点,提出了新的结构度量与纹理度量,实验证明本文提出的这两种度量是行之有效,互为补充的,共同作用于图像的结构纹理分解中。在先前的研究中,有使用全变分正则化框架来优化结构纹理分解目标函数的方法,也有基于局部滤波的方法和基于神经网络的方法。在本文的工作中,以全变分正则化框架为基础,结合结构度量与纹理度量提出新的目标函数,由于近年来神经网络在图像处理领域所展示出的优越性,我们决定采用神经网络来优化目标函数。由于不同图像之间的图像内容差异往往较大,而结构纹理分解的任务本身又是一个无监督任务,使用外部样本训练神经网络会导致网络的性能表现不稳定,因此本文对每一幅输入图像采取了自样本训练,大大提高训练过程的稳定性与鲁棒性。在自样本训练过程中,网络参数只需要对一幅输入样本进行参数学习,因此本文以U-net为原型,设计了一个新的神经网络,这个网络的层数少,总共只包含9个卷积层与8个激活层,参数量少,容易训练,网络收敛速度快,可以做到训练与测试在短时间内同步进行。相关的实验结果证明本文的训练优化策略相比于传统的神经网络外部样本训练方式和传统的非神经网络优化方法要更有优势。本文还与最新的或者是较为经典的结构纹理分解方法进行了比较,实验结果表明,由我们的方法分解的结构分量在边缘上要更加清晰锐利,结构分量与纹理分量分离地更加干净,在多幅测试图像上,我们的方法得到的结果都展现了明显的优势。图像结构纹理分解技术可以应用在多个图像处理领域,为了更好的展现本文提出的方法的优势,选取了3个图像处理应用,分别是图像细节增强,图像边缘提取,超分辨率图像质量评价,实验结果表明,本文提出的方法在这3个应用上依旧全面领先于其它方法。