启发式深度学习作为解决图像增强任务的主流技术,启发式地设计端到端的任务特定网络结构,并通过大量训练数据学习网络参数来实现对特定任务的刻画。该技术的缺陷在于严重依赖训练数据,泛化能力差,此外对于复杂的图像增强任务,特定设计的结构与成对的数据往往难以反映任务的内在规律。尽管一些工作尝试将传统优化与深度学习技术相结合,引入任务的成像规律保证算法性能,然而该类技术忽略了传统优化强大的理论优势,缺乏有效的理论指导与解释,依然没有解决启发式深度学习的不可靠缺陷。针对以上问题,本文从优化视角出发,将深度网络的解视为下降方向以加速目标解的搜索,同时基于优化理论定义判别与校正机制,确保经过深度网络得到的解始终满足于可行域内,进而最终得到能够收敛到临界点的目标解。以这种方式构造领域知识与数据驱动相结合的新型深度学习算法,同时优化理论的指导实现了对算法的认知,确保算法的可靠性。大量的理论证明及实验分析,充分表明提出算法的有效性。为进一步验证算法的性能表现,本文进行了一系列经典图像复原任务与基于透射率的图像增强任务的应用研究,通过与大量现有最好的技术相比较,充足的定性定量实验的分析,显示了提出算法在各类图像增强任务上的一致的突出性能表现。此外考虑到现实世界中往往存在一系列更加复杂的视觉任务,本文对设计的优化驱动深度学习框架进行任务特定的算法拓展,提出适用于图像去雨及低光图像增强任务的特定算法,并通过大量实验验证了提出拓展算法的有效性及突出的性能表现。总的来说,该优化驱动深度学习为深度学习的发展提供了一种新的思路,即以优化理论来辅助构建深度模型,从优化视角看待深度学习,为算法的可靠性提供支持。