近年来,计算机技术的迅猛发展带来了图像复原技术的研究热潮,并广泛应用于医学成像、天文成像、军事公安、图像及视频编码等诸多应用领域；然而,在成像过程中,图像的复制、传播等,不可避免地会引入不同程度的模糊和噪声,造成图像质量会有所下降,而在众多应用场合,清晰的、高质量的图像信息又是十分必要的,因此图像复原具有重要的理论研究意义及现实经济研究价值。图像复原问题是信号处理领域的一个方面,因图像降质类型的不确定性及复杂性,加上噪声的污染,其可以看作是一个具有不适定性的信号反卷积问题。论文在全面深入地分析了复原技术的一些基础理论、神经网络的一些基本知识,传统及现代的几种经典复原方法的本质及优缺点的基础上,给出了调和模型神经网络与彩色图像复原问题相结合的图像复原新方法。论文首先分析了图像复原质量的主客观评价方法,在此基础上,提出了一种新的基于局部结构相关性的图像复原质量综合评价方法。根据人眼的视觉特征：视觉感知及对图像的理解很大程度上取决于生物结构,该算法先将退化图像分为三区：边缘区、平坦区和纹理区；再分别计算出各区实验图像和去噪图像的相关系数,再按各区的重要程度,采用不同的加权值,计算原始图像和去噪图像的相似度,即代表复原质量的综合评价值。其后分别从两个方面着手来提高复原方法的质量及效率：一是降质图像；二是复原工具。既然图像复原问题是一种反卷积问题,那么提高原始输入信号的质量及计算速度便是十分必要的。所以,论文先通过对降质图像进行重构,提高原始输入信号的信噪比,给出了基于单帧降质图像RGB值的彩色图像重构方法,然后分析了已有的正则化复原方法的优缺点,并重新设计其正则化算子,对其进行了改进,并与神经网络相结合；算法不但在收敛速度上有大幅度提高,而且在边缘恢复和伪像消除上较其它正则化方法都有很大提高。论文最后总结了本课题的研究工作,提出了今后的研究方向。