数字图像是应用于人们日常生活中最基本的数据之一。与此同时,数字图像的质量也严重影响着其他视觉任务的精确度。图像复原算法旨在从低分辨率、模糊图像中重建出相对应的高质量图像来缓解这个问题。针对基于卷积神经网络的图像复原算法进行了深入研究,并针对存在的问题提出解决方案。主要研究工作和创新总结如下:第一,对基于深度学习的图像复原算法进行总结对比与问题分析。针对单图像超分辨率和单图像去雾算法的问题定义,经典结构和基础模块进行总结对比,深入分析各自的特点与不足。对算法模型采用的训练策略进行具体阐述。实验对比现有图像复原算法各自的优势和性能,并指出存在的问题,为后续章节的算法创新提供动机和理论支持。第二,提出基于级联特征金字塔的单图像超分辨率算法。针对现有算法在多层级特征信息上利用不足的问题,设计出级联特征金字塔模块,利用卷积级联和逐层融合的结构,拓宽特征多尺度表征范围和消除多层级特征之间的语义差距,有效提升了多层级特征融合效果。此外,提出一种改进的非对称残差Non-Local模块,利用轻量级的自注意力机制高效聚合全局上下文信息。算法在Set5数据集上4倍超分辨率结果的PSNR指标达到32.66db,同时在多种退化模型下具有良好的泛化性。第三,提出基于渐进式局部连接的单图像去雾算法。设计轻量级的渐进式特征融合模块以提升网络学习效率,其中由渐进式局部连接和特征注意力两个部分组成。具体地,渐进式局部连接通过逐层分离和局部拼接的方式提取多层级特征进行融合。特征注意力利用通道和空间双注意力模块对特征的重要性进行评估。为了高效聚合全局上下文信息,提出一种改进的非对称残差Non-Local模块,在保持其轻量化优点的同时,有效提升图像去雾效果。算法在SOTS室内测试集上的PSNR评估指标由现有最好的36.39db提升到38.02db,同时节约了大量的模型参数。