图像在拍摄过程中受天气（雾、雨雪、阴天）、运动、光照不足等影响加之拍摄硬件设备的限制,会产生严重的退化,造成细节丢失、亮度降低、颜色退化、模糊、辨识度降低等问题,为了提升图像的可识别度以及为后续开展检测、识别、跟踪、分类等,本文针对噪声和运动模糊造成的低质图像进行清晰化的研究。开展了基于各向异性扩散和三维块匹配算法相结合的噪声图像清晰化算法及基于DeblurGAN模型的运动模糊图像的清晰化算法,主要工作内容如下:（1）噪声图像清晰化研究。本文提出了基于各向异性扩散和BM3D相结合的噪声图像清晰化方法。首先,采用改进的各向异性扩散算法对图像进行预处理,通过采用八方向扩散的边缘增强算子和双曲正切函数的扩散系数函数,提高了收敛速度,且边缘增强算子可加强图像的边缘区域及细节信息;然后,将预处理后的图像经过BM3D算法处理,对平滑区域和边缘区域采用不同的方式寻找相似块,平滑区域沿水平和垂直方向寻找,而边缘区域沿垂直和边缘方向搜寻,以更好的获取图像的结构信息;最后通过仿真及实验验证了该方法对噪声图像的清晰化效果。仿真结果表明,本文方法能更好地保留原图像的纹理细节并有效地避免了BM3D算法存在边缘振铃效应的问题,提升了主观视觉感受。实验结果显示,本文算法处理后峰值信噪比指标较BM3D算法高出4.4%,结构相似性高出3%。（2）运动模糊图像清晰化研究。提出一种改进的DeblurGAN的图像运动模糊清晰化方法,以解决DeblurGAN算法在图像边缘细节恢复的不足以及复原图像存在网格效应的问题。首先,在生成器网络中,采用多尺度卷积核神经网络来进行特征提取,添加了级联空洞卷积并采用自适配归一化方法;判别器使用Patch GAN网络。其次,引入梯度图像L1损失并结合对抗损失和感知损失,将其作为图像去模糊的正则约束。最后,将在Go Pro数据集上进行训练得到去模糊的模型。实验结果表明,本文方法在主观上清晰化效果较好,且消除了网格效应;另外,峰值信噪比较DeblurGAN算法高出5.4%,结构相似性指标高出1%。