各类图像的采集和传输过程中常出现分辨率低、高频细节信息缺失、纹理模糊等现象,影响交通监控、医学诊断、目标跟踪等相关视频、图像处理任务的检测性能和效率。目前的图像重建算法在面对采样数据和先验知识不足的情况时,重建结果抗噪性能差,图像细节复原程度低。针对上述问题,本文结合量子优化和深度学习理论,面向极度不完备投影数据和超低分辨率人脸图像的高质量复原,研究和改进重建算法。(1)对图像重建的研究现状进行了深入调研,详细阐述了图像重建算法和量子优化算法基础理论知识。(2)面向极度不完备投影数据,将量子优化与迭代求解相结合,提出了基于量子优化的CT图像重建算法。首先,根据CT重建问题的实际情况,在伪逆的基础上初始化量子比特。其次,为了增强算法跳出局部最优的能力,设置微小的限制量并进一步设计了新的量子门。最后为了克服传统迭代求解方法的解更新方向固定这一缺陷,交替使用迭代求解过程和量子演化过程,并对不同的结合方式进行了对比和试验。对比其他主流的CT重建算法,本文算法在图像细节复原和人工伪影的去除上都有优异的表现。(3)面向超低分辨率的人脸图像,设计了基于深度学习的人脸超分辨重建深度网络。整个网络结构分成高分辨率人脸图像生成网络和先验信息估计网络两部分:高分辨率人脸图像生成网络的主体部分为改进的生成式对抗网络,适用于人脸超分辨重建;人脸先验信息估计网络用于计算生成人脸的几何结构先验信息,为高分辨人脸图像的生成提供结构信息。其中,采用了协同循环机制来逐步加强图像的先验;并模拟人的视觉注意机制,提出了基于视觉显著机制的PSNR,SSIM改进评价方法。实验表明,本文提出的算法与其他深度学习算法相比,能够更好地重建出完整的人脸信息。