近年来,随着计算机视觉和深度学习技术的飞速发展,数字图像在线处理和信息识别技术以高质量的输入图像为前提,被广泛应用于科研、军工、医学、智慧城市等应用领域。然而图像在采集、处理、传输等过程中,受环境、成像设备、人为等等因素的影响,图像难免会被不同程度的噪声所污损并且以较低分辨率的形式存在。图像去噪和图像超分辨率重建作为数字图像恢复研究领域中经典且热门的底层视觉研究课题,其不仅能够改善图像的视觉感知质量,同时也可以提高后续高层语义分析的精确度。目前,相较于传统方法,使用深度学习下的方法所重建出来的图像质量更高,视觉效果更好。因此,本文对基于深度学习的图像恢复算法开展研究,主要研究如何使用深度学习方法建立更高效的算法模型来解决图像去噪和图像超分辨率重建两个问题。本文的主要研究成果如下:（1）提出了基于改进U-Net神经网络的图像去噪模型。针对目前现有的图像去噪算法在去除图像噪声时,处理后得到的图像较为模糊且图像的边缘纹理过于光滑缺乏真实性的问题,本文基于U-Net网络结构提出了一种改进后的图像去噪算法,它由去噪模块以及边缘信息提取模块组成。首先将U-Net++中的跳跃连接应用到原始的U型去噪子网中,密集连接的U型去噪网络可以减少编码器与解码器特征映射之间的语义差距,还原出更清晰的图像。其次,基于VGG-16网络结构的边缘信息提取模块对去噪网络处理后的图像进行特征提取,同时反向优化U型去噪模块以还原出更真实的图像。实验表明,在常见的数据集以及跨类型医学数据集上测试本文所提出的算法,在图像的客观评价指标上均优于目前具有代表性的去噪算法,同时图像的边缘细节和纹理特征更清晰,更真实,视觉效果上更好。（2）提出了基于改进生成对抗网络的图像超分辨率重建模型。针对现存的图像超分辨率重建算法普遍存在网络训练困难、生成图像不清晰以及生成的图像视觉效果较差等一系列问题,在生成对抗网络超分辨率算法（SRGAN）网络模型的基础上提出了一种改进后的图像超分辨率重建算法。首先,在生成网络结构中使用密集连接的残差块代替原SRGAN网络中的残差块,同时移除批量归一化层降低计算复杂度。其次,使用VGG-19网络作为判别网络的基础架构,采取平均池化代替原本的全连接层以防止过拟合。损失函数方面,引入感知损失函数,对抗损失函数和内容损失函数共同构成生成器的总目标函数共同优化模型。改进后的算法采用Charbonnier损失作为内容损失函数评估所生成的图像与真实图像之间的相似性并使用WGAN-GP理论来优化模型的对抗损失加速收敛。实验结果表明使用改进后的算法生成的图像更加清晰,纹理细节更真实更丰富,可以更好地合成图像,提高重建后图像的整体视觉效果。综上所述,本文使用深度学习下的方法对图像恢复任务展开应用研究,设计了改进后的图像去噪及超分辨率重建算法,实验表明使用本文所提出的方法在图像去噪和图像超分辨率重建上任务上均表现出更好的视觉效果。