在图像复原技术领域,稀疏编码已经成为了国内外学者研究的重点。结构化稀疏理论则是近年来国内外学者基于早先的稀疏化理论发展而来的最新研究成果。结构化稀疏理论是对一些善于运用图像先验结构信息的稀疏化理论方法的统称。结构化稀疏方法利用图像所特有的先验结构信息,能有效提高图像恢复精度,并缩短恢复处理时间,是理想的图像处理算法理论。本文主要针对构成结构化稀疏理论的几个关键点进行研究,通过不同的角度入手,尝试将结构化先验知识加入到原有的稀疏算法理论模型中,并取得了一定的研究成果。其主要创新点体现在以下几个方面:(1)针对原有MRI稀疏算法成像慢,数据采集量大等缺点,结合小波阈值方法和MRI所特有的四叉树形结构,将小波树形结构加入到原有的全变分模型中。实验数据表明新算法能利用更少的数据恢复出更精确地图像结构,算法具有良好的普适性和鲁棒性,在对自然图像的恢复实验中其表现也相当出色。(2)全变分模型具有保留图像边缘信息的优越性能,但全变分模型有各向异性和各向同性两种算法,且两者都还存在着不少缺陷。本文基于大量自然图像统计信息的帮助,将两类全变分算法相结合,加入调节参数α,提出了混合全变分方法。实验数据表明,新算法恢复的图像轮廓更清晰,灰度分布更均匀,肉眼视觉效果更好,处理速度更快。(3)在稀疏图像复原方面,分块字典学习有着不可替代的重要地位。但原有的字典学习算法,计算复杂度高,恢复图像代价大。为了克服这些缺点,我们利用图像的自相似性对图像进行了分块处理。实验数据表明,相较传统算法我们的算法恢复速度更快,并在很大程度上保留了图像细节内容。