目前，在医学、勘探、考古和工业检测中，由内镜影像系统拍摄的场景图像的模糊，一般是由相机失焦造成的。可以通过对发生散焦的图像进行去模糊与三维重建，获得清晰的场景图像和精确的三维可视化场景，为医生、勘探人员、考古学家和检测人员提供决策参考。因此，对散焦图像的去模糊和深度估计的研究具有重要的理论和应用价值。针对散焦图像，本文从图像去模糊和深度估计两方面进行研究。图像去模糊可以看作是解半盲卷积过程，而深度估计则可看作是解盲卷积过程。从生成模型和判别模型角度将解盲卷积转化为解半盲卷积，使图像去模糊和深度估计都可看作为解半盲卷积过程。首先，对于散焦图像去模糊，从非负约束图像去模糊的迭代方法和全变分图像去模糊的保真项选取两方面进行研究；其次，对于散焦图像的深度估计，从准则函数的保真项和正则项的选取进行研究；最后，研究将生成模型转化为判别模型，实现将解盲卷积问题转化为解半盲卷积问题，并进行基于判别学习技术的深度估计研究。主要研究内容如下：从图像去模糊属于解卷积问题的角度，本文提出了基于Kuhn-Tucker条件的迭代算法解决带有非负约束的图像去模糊问题。该迭代算法能够保证每次迭代点是非负的，并在理论上证明该迭代算法可以单调收敛。实验结果表明基于Kuhn-Tucker条件的迭代算法在去模糊后图像视觉效果和PSNR方面均好于带有非负修正的最速下降法和基于凸集投影方法的共轭梯度法。从图像去模糊属于解半盲卷积问题的角度，本文提出了基于I-divergence准则的全变分图像去模糊模型。该模型是基于图像去模糊问题中涉及变量均为非负的特点，选取I-divergence准则作为保真项，联合全变分正则项，构建了泛函极值函数，将其转化为Euler-Lagrange方程，引入时间变量，形成梯度下降流，综合中心差分法和迎风方案构造数值解法，对梯度下降流求解。实验结果表明基于I-divergence准则的全变分图像模型在去模糊后图像视觉效果、PSNR和BSNR方面均好于基于最小二乘准则的全变分图像模型。从散焦图像的深度估计属于解盲卷积问题的角度，本文提出了带有几何约束的散焦图像的深度估计方法。该方法具有以下几个方面的优点，第一，采用散焦程度较大的观测散焦图像与由散焦程度较小的观测散焦图像构造的生成散焦图像的差异度作为泛函极值函数，可以避免同时估计深度信息和清晰图像的缺点，提高算法的效率。第二，根据真实孔径成像几何原理，在不同情况下，推导一系列点扩散函数的相对扩散参数的区间约束，有效避免由于较为复杂的正则项（如非局部均匀正则项，TV项等）造成的算法效率较低的不足。第三，考虑深度估计中涉及变量均为非负的特点，选取I-divergence准则作为保真项，能够保证在提高算法效率的同时，提高深度估计的精度。不带噪声的仿真实验结果表明带有几何约束的深度估计方法更适用于连续光滑曲面(余弦曲面)。在运行效率和精度方面，带有几何约束的深度估计方法明显优于不带几何约束的深度估计方法。带有噪声的仿真实验结果表明，带有几何约束的深度估计方法对于带有椒盐噪声和泊松噪声的散焦图像不敏感。真实数据实验结果表明带有几何约束的深度估计方法明显优于不带有几何约束的深度估计方法。从散焦图像的深度估计属于判别学习问题的角度，本文提出了基于判别测度学习的深度估计方法，该方法包含判别测度学习阶段和深度估计阶段。在判别测度学习阶段，首先，将深度估计问题转化为多分类问题，确定多分类的判别函数形式；其次，为了学习每个深度的判别测度，构建了准则函数，该准则函数充分考虑组内距离与组间距离；最后，将该准则函数转化为半正定规划，采用投影子梯度下降法加以求解而获得每个深度的判别测度。在深度估计阶段，对于每个像素点，计算N个判别函数值，将该像素点深度归为使得判别函数值最小的深度。基于判别测度学习的深度估计方法的优点之一是从仿真图像学习的判别测度可以估计真实图像深度信息。由于涉及的都是简单的矩阵运算，且每个像素点相互独立，该方法具有较强的并行处理能力和较高的计算效率。仿真数据和真实数据实验结果表明，基于判别测度学习的深度估计方法在RMS方面优于基于奇异值分解学习的深度估计方法。