本文介绍了图像复原的基本理论,并对一些常用的图像复原方法进行了讨论,在研究人工神经网络理论的基础上,将图像的复原问题抽象成回归问题并通过模块化神经网络加以解决。讨论了作为神经网络基本单元的人工神经元模型以及最常用的前馈感知器网络。以BP神经网络为研究对象,分别研究了BP学习算法和神经网络的学习方式。分析了BP神经网络的缺陷,并由此引入模块化神经网络的概念,讨论了模块化神经网络的优势所在,给出了模块化神经网络的分析方法和设计方法。将模块化神经网络的子网采用基于遗传算法和粒子群优化算法进行改进,给出了基于两种改进算法的BP神经网络用于图像复原的步骤,并进行了基于子网改进前后的图像复原实验。针对单一神经网络在大尺寸图像复原中复原效果较差的问题,设计一种模块化神经网络并用于图像复原。首先根据实际样本图像的尺寸设计子模块的训练集和输入到输出的映射关系,再利用“复制”和“分解”的模块化思想,重用已经设计好的子模块进行模块化神经网络的设计。将该模块化神经网络与单一神经网络进行对比实验,训练时使用噪声相同尺寸不同的标准测试图像,从网络性能和图像复原效果两方面分析,验证了本文方法的有效性。最后应用优化算法改进模块化神经网络的子网,使网络的性能进一步提高,图像的复原效果得到进一步改善。