图像信息与人们的生活联系紧密,然而在获取图像的过程中由于各种因素的影响,往往导致图像出现模糊失真以及噪声失真等,严重影响后续的处理工作。图像去模糊技术可以有效改善模糊图像质量,达到恢复清晰图像的目的。本文先介绍了图像去模糊所涉及到的基本原理、概念和模型,包括图像模糊过程模型,图像复原模型,复原问题的病态性以及解决病态问题的常用方法,列举并分析了目前常见的图像去模糊模型以及相应的求解算法,强调了正确的图像先验信息对于去模糊的重要性,并给出了图像去模糊质量的主观与客观评价方法。本文主要贡献由以下两个方面组成:1)根据图像分块平稳的特点,基于变量分裂框架提出了一种根据图像纹理自适应的去模糊模型,论证了变量分裂框架也适用于本文的自适应改进。假定图像梯度满足参数化广义高斯分布(Generalized Gaussian Distribution,GGD),在 MAP(Maximum a Posterior)框架下建立自适应模型。给出一种有效的GGD参数估计方法,证明全局自适应不能得到最佳的去模糊效果,然后提出了一种半自适应去模糊算法。该算法先对模糊图像预处理得到预去模糊图像,接着介绍了一种有效且快速的图像分区域方法将图像分为纹理区域和平滑区域,针对图像纹理区域使用全局收敛算法(Global Convergence Method,CGM)对GGD参数进行估计,而对平滑区不做估计,根据经验设置固定参数值。通过与其他几种经典的去模糊算法对比,表明本文算法能够取得更好的视觉质量以及更高的信噪比。2)利用自然图像非局部自相似特性,提出了一种基于纹理的自适应分析稀疏模型。从图像抽取所有图像块,利用K均值聚类算法将所有块分为M个类簇,每个类簇中的图像块都具有相似的结构,再使用GOAL字典学习算法得到M个分析字典,它们分别对应某种特定的纹理结构,每个图像块根据它聚类质心的最近距离来自动选定与之最匹配的字典,从而使具有不同纹理的图像块取得各自最佳的稀疏性。为了增强复原质量,引入一种新颖的图像非局部谱先验(Nonlocal SpectralPrior,NSP)模型,针对不同纹理从自然图像中学习得到不同的NSP模型,与分析稀疏先验相结合提出一种自适应混合先验图像去模糊模型,并给出该模型的具体求解算法。最后进行实验仿真并与其它三种算法对比分析,实验表明本文提出的自适混合先验图像去模糊模型能够更充分地利用图像先验知识的同时又增加了局部纹理的自适应性,能够取得更好的图像复原质量。