人类科技的繁荣带来电子技术的发展和航空航天的进步,导致日常生活因为使用更多的电子产品和空间通信,从而更容易受到日地之间空间环境的影响。因为地基望远镜比空间望远镜更易于安装和维护,且更加稳定,所以目前最常用的太阳望远镜都是地基的。地基望远镜系统的天文观测由于大气湍流的存在导致光波的严重波前畸变,直接观测成像的分辨力远远达不到所期望的望远镜理论衍射极限。当从地球观测太阳时,这些影响尤其严重。自适应光学（AO）技术因为可以使用变形镜实时补偿扰动引起的波前畸变,显著减少低阶像差、有效提高光学系统成像质量,因此被广泛用于地面望远镜高分辨率成像、激光系统、眼科等领域。然而,由于AO系统的硬件限制,波前畸变的校正是部分和不完整的;为了进一步提高AO图像的成像质量,通常需要对AO图像进行事后处理。目前,AO图像的事后处理主要有相位差法、斑点重建、盲解卷积等方法。本文针对太阳图像事后处理中的盲解卷积技术展开研究。全文主要工作和创新点如下:1、梳理和研究了盲解卷积中最有效的交替迭代正则化方法中的保真项和先验项。通过对这些正则化项的分析发现广义全变分（TGV）正则化模型在强边缘区域局部化为全变分（TV）正则化模型,而在表面光滑和纹理模糊的区域化为Hessian范数的正则化模型,其比最常用的TV模型有原理优势。前人针对自然图像采用改进的TGV正则化模型和多种手段稳定交替迭代求解过程的TGV盲解卷积（TGVBD）算法,以及多帧在线盲反卷积（OBD）方法,已经在其研究中比其对比的多种算法展示了优越性。2、提出多帧TGV盲解卷积（MTGVBD）方法和空变MTGVBD（MSVTGVBD）方法。MTGVBD在对图像和模糊核交替正则化过程中采用针对AO真实场景的多帧信息约束、改进的TGV正则化求解、稳定求解的正性限制、金字塔模式、非盲卷积、Lp范数等手段,提高恢复的图像质量。MSVTGVBD针对AO真实场景图像的非等晕空变特性,采用等晕区大小对整图进行重叠分块,接着采用MTGVBD对每个分块进行盲复原,然后使用分块复原图重叠加权生成最终盲复原整图。对真实AO短曝光闭环图像的实验结果表明,相比前人的OBD、TGVBD以及采用与MSVTGVBD相同方式进行空变扩展的SVOBD、SVTGVBD,MTGVBD和MSVTGVBD不仅恢复出更清晰的图像,在客观指标上也表现更好。3、提出了一种空变的端到端盲恢复网络——通道共享时空网络（CSSTN）。通过对现有AO中使用的深度学习网络:ED-DNN、Recurrent-DNN、Retinal-CNN研究,针对现有深度学习网络的局限性,根据真实AO闭环短曝光图像特性,提出基于时空滤波器自适应网络（STFAN）的CSSTN。CSSTN由特征提取网络、通道共享时空滤波器自适应网络（CSSTFAN）和重构网络三个子网络组成。使用斑点重建图像作为监督,训练CSSTN及上述三种现有的监督AO深度学习网络,针对4组包括705nm光球层和656nm色球层的2个波段真实AO短曝光闭环图像进行了重建实验。相比上述三种现有AO深度学习网络算法,CSSTN在所有数据上不仅恢复出更清晰的图像,在客观指标上也表现最好。4、CSSTN包含了以下一些改进:1)受自适应滤波器的感受野可以覆盖AO等晕区这一事实的启发,在每个通道中共享滤波器;2)根据AO图像处理,使用更小但在空间上完全不同的滤波器;3)在子网之间增加对称跳跃连接,从而可以大大克服梯度消失问题。一旦对网络进行训练,在推理过程中仅使用两个连续的时间短曝光帧快速构建任意大小的高质量清晰图像。实验显示,所提出的方法不仅能够有效地去除训练中包含的空变模糊,而且能够在推理中有效地去除未见过的空变模糊,表明CSSTN网络具有较好的泛化性能。本文在多帧AO闭环短曝光太阳图像事后重建所取得的研究成果,对于获取太阳小尺度结构图像、天体观测、眼科、夜天文高分辨力成像等相关领域的图像高分辨力恢复等问题具有较重要的理论研究指导和工程应用参考价值。