底层视觉如图像超分辨、去模糊、重着色等是高层视觉任务的基础。近年来,由于深度学习技术在高层视觉任务上出色表现,将其应用到底层视觉任务上工作也逐渐涌现出来。然而,当前这些深度学习底层图像处理方法通常只适用于单一任务或处理单一因素。面对多种底层视觉任务需求,比如需要同时考虑多种图像退化—分辨率降低和运动模糊,这些单一任务的工作方式效果就不理想。基于此,本文将利用多任务深度学习方法尝试多种底层视觉任务联合处理,探索相应的学习模型及应用模式。本文首先介绍深度学习原理和所涉及的底层视觉图像处理任务,然后分析相关前沿的底层视觉深度学习方法。最后研究并提出不同的深度学习模型以实现多任务联合图像处理。(1)多任务深度学习单幅卫星影像同时超分辨率和重着色由于硬件设备的能力有限或者地面伪装,大部分卫星影像都存在空间分辨率低以及颜色单调不丰富的等问题。为此,构建了一个多任务深度网络来同时实现超分辨率和着色这两个不同的图像任务。实验结果验证了该多任务深度学习模型的有效性。(2)基于合作深度学习的联合图像超分辨率和运动去模糊图像质量劣化可能会由空间分辨率降低和运动模糊等因素共同造成,为此,分析了多因素图像退化过程,并基于退化分析构建一个由两个子网络合作学习的深度网络模型来解决这个联合多任务问题。该合作学习深度模型已在实验中验证其具有优秀的图像恢复性能。(3)基于合作训练式网络的卫星影像超分辨率合作训练式网络通过交替训练生成器和调和器,从而克服了生成对抗网络(GAN)训练不稳定及模式易坍塌等问题。鉴于此,应用并改进了合作训练网络于卫星影像超分辨率任务上。实验结果表明改进的合作训练网络能有效工作。