图像复原与重建是机器视觉及图像科学中的基本问题,其旨在从退化图像或观测信号估计出潜在的真值图像。基于数据集训练的深度神经网络模型是现代图像复原与重建的一种主流方法。但在实际场景中,训练数据的采集通常代价高昂,对某些领域甚至不可行。而且,数据集的偏差及模型的记忆效应容易导致复原或重建的图像丢失新颖特征,不利于科学发现。近年来出现了基于深度图像先验的单样本自监督图像复原及重建方法,通过在单张退化图像或单份测量数据上进行训练与测试,避免了训练数据集的采集与使用。然而,这些方法性能欠佳,其效果远不及基于数据集预训练的深度模型。本文针对四个常见的图像复原及重建任务,研究有效的单样本图像自监督复原与重建方法,旨在突破现有方法的性能瓶颈,缩小与预训练模型的性能差距。本文研究的核心思想是引入并利用模型不确定性,克服深度图像先验的含糊性问题,提高模型的预测精度。围绕模型不确定性,本文从模型集成、歧义解分布、贝叶斯估计的角度进行逐层深化的研究,并针对不同应用,对训练机制和模型架构进行设计。具体包括:1)针对图像去噪,使用Dropout对去噪网络引入不确定性,以此实现模型自集成,降低单样本学习中的预测方差,并提出一种盲点学习机制实现无偏估计,避免网络退化成单位映射。2)针对图像非盲反卷积,提出一种不确定性驱动的空间自适应Dropout,以此引入模型不确定性去刻画并克服模糊算子近似零空间所导致的歧义解,并设计抗噪自监督损失函数,实现在模糊算子像空间上的无偏估计。3)针对超光谱图像重建,运用模型不确定性刻画并克服编码孔径测量算子零空间所导致的歧义解,并使用随机池化引入模型不确定性,加速学习收敛,同时引入深度展开网络架构,利用成像机制改善深度图像先验。4)针对图像相位重建,建立基于模型不确定性的方法与最小均方误差估计器的理论联系,并提出一种不确定性量化方案,实现在像素级别上对复原及重建精确性的定量评估。本文方法的有效性通过大量实验得到了验证,其性能不但远超已有的自监督方法,而且在某些场景下超过了数据集预训练模型。这表明了单样本自监督模型能作为数据集预训练模型的有效补充,在训练数据受限的场景下发挥重要作用。