高质量清晰图像是图像处理的基础,也是机器视觉、人工智能等技术应用的关键。然而,原始图像在获取过程中会因各种退化因素干扰不可避免地出现模糊降质。运动模糊图像复原作为图像复原技术的一个重要分支,当前仍存在许多问题值得研究,如稀疏正则复原模型的建立和求解、模糊核估计的准确度以及神经网络的优化设计,等等。基于此,本文研究了图像退化模型、正则化理论和PSF估计等图像复原的相关理论,在当前研究的基础上提出几种不同的图像复原算法,并通过实验论证算法设计的可行性。本文的主要研究工作具体如下:首先,针对合理利用图像先验构建稀疏正则化复原模型的问题,本文设计了一种多约束混合正则化稀疏复原模型。加入TV项增强保边能力,加入混合正则约束,提高算法鲁棒性和泛化性能,利用拉格朗日法和Fenchel函数变换对模型优化求解。实验结果表明,这种多约束混合正则化稀疏复原模型对于不同特征、不同形状和大小模糊核的退化图像都能稳健地复原出较为清晰的结果图像,有较好的泛化能力。此外,模型优化求解的速度较快,保证了算法效率。其次,针对现有点扩散函数（PSF）参数估计方法存在的局限性问题和真实运动图像频谱中的十字亮线问题,本文提出一种改进的运动图像PSF估计方法,在利用Fourier-Radon方法估算模糊参数时,通过图像增强处理和形态学变等方法进行图像变换。实验结果表明,改进方法能有效解决真实运动模糊图像存在的十字亮线及噪点干扰问题,模糊参数估计的精度和有效范围得到了明显改进,由此构建的PSF能反卷积出更加清晰的复原图像。最后,针对基于神经网络的模糊图像复原问题,本文对基于BP网络的图像复原算法进行了研究,提出一种基于哈里斯鹰算法优化的BP神经网络图像盲复原算法（HHO-BP）。利用HHO算法对神经网络的连接权值进行优化,以克服传统BP网络依赖初始值、易陷入局部最优的缺点。实验证明,HHO优化下的BP网络模型能够有效改善复原图像质量,提高算法效率并进一步保证算法收敛。总之,针对运动模糊图像的复原问题,本文对几种基于不同理论方法的图像复原算法进行了优化改进,并通过大量的理论推导和充分的实验验证了算法设计的可行性。论文研究对于图像复原算法的相关研究有一定的借鉴意义。同时,运动模糊图像复原算法的研究为各应用领域中存在的一种图像退化现象提供了解决方案,具备一定的实际应用价值。