光学小波变换是近年来发展起来的实时处理信号的一种方法,它结合了小波变换和光信息处理的优点,以并行性和高速实时性为特点,为图像数据压缩提供了一个有效途径。光学小波变换通常采用光学4f系统来实现。但是由于光学4f系统存在诸多误差因素,引起所采集到的图像存在大量的噪声。去除光学系统的噪声对后续的图像数据压缩至关重要。随着神经网络理论的深入研究,神经网络技术的并行计算能力、非线性映射和自适应能力等优点得到了国内外学者的充分重视,各种神经网络模型在图像处理领域中得到了广泛的应用。利用神经网络实现对降质图像的复原,也正是其主要应用之一。本文的主要工作如下:1.阐述了图像复原和人工神经网络的基本理论和研究现状。2.基于学习机制,提出了一种基于BP神经网络的图像复原算法。由于BP神经网络图像复原是建立在学习和训练的基础上,从而完全避免了一般图像恢复的求解退化模型和点扩散函数带来的问题。3.提出了基于神经网络集成的图像复原改进算法。使用这种方法,可以通过训练多个神经网络并将其结果进行集成,避开了网络的参数配置问题,提高了神经网络的泛化能力。4.探讨了图像复原过程中如何利用系统误差的结构信息,首先将整幅图像分成多个子块,每个图像块对应一个神经网络且均采用整体处理的思路复原,最后将多个神经网络输出合成整幅图像,从而有效地解决了点扩散函数空间移变的问题。