微聚焦X光射线检测仪、天文、遥感成像等高端科学仪器大多依赖于低光子计数成像过程。由于成像系统复杂,噪声来源多样,往往是多种噪声混合存在,成像结果受到较大影响。作为图像处理的传统研究领域之一,含混合噪声图像的复原与重建研究随着此类系统的发展也展现出新的生机。但现有相关研究大多集中在单一噪声模型,对混合噪声的情况并不适用;且大部分算法对图像整体采取单一策略进行复原与重建而忽略图像本身的特征信息,给复原与重建效果带来影响。而基于特征信息的自适应图像复原与学习重建方法通过引入图像的局部或非局部特征信息,能够保证在平滑噪声的同时保持尽量多的图像细节,从而提高图像复原与重建的质量。因此,本文针对混合噪声模型,展开基于特征信息的自适应图像复原与学习重建方法的研究。本文的主要工作与研究成果如下:(1)在正则化框架下,分别针对混合乘性-加性噪声模型与混合高斯泊松噪声模型建立了基于局部方差的自适应全变分图像复原目标函数。首先,利用局部方差信息对图像进行分区;而后,设计了自适应全变分算子与自适应正则化参数的双自适应方案,在图像的平滑区与细节区采用不同的正则化项;最后,利用凸优化算法求解目标函数。实验结果表明所提方法具有较好的噪声适应性,并且能够在平滑噪声的同时保留更多的图像细节,实现较高质量的图像复原。(2)在稀疏重建框架下,针对混合高斯泊松噪声模型,建立了基于非局部信息的图像学习稀疏重建目标函数。首先,学习聚类字典,更好地匹配图像特征的同时减少字典学习运算量;其次,引入图像的非局部信息作为字典稀疏系数的修正,两者融合作为新的稀疏约束;最后,利用分步优化思想将目标函数转化为两个子问题,并采用迭代重加权法与最小二乘法进行求解。与多种算法的对比实验证明了所提方法重建质量高的优点,同时表明了该方法对于噪声的良好自适应性。