我们在拍摄图片时,由于智能手机、摄像头等设备硬件条件或者拍摄环境所限,获得的图片分辨率过低或者由于设备与目标物体之间存在相对运动,造成图像运动模糊。这两种情况下都会获得低质图像,这种图像无法满足监控视频、医学图像、遥感等领域的研究需求。而超分辨率重构技术和图像去模糊技术能分别对上面两种情形进行处理,对图像进行复原,提高图像质量。本文的主要研究内容是基于生成对抗网络的图像复原算法,文章基于生成对抗网络分别研究了低分辨率图像的4倍因子超分辨率重构算法、运动模糊图像的去模糊算法以及低分辨率模糊图像的超分辨率复原算法。主要工作内容如下:1.针对图像降质问题,分析和研究了超分辨重建和去模糊两项技术的发展现状及特点。对卷积神经网络和生成对抗网络相关理论进行了原理分析和公式推导,基于生成对抗网络进行了生成手写数字的实验,实验结果表明生成对抗网络能够生成固定手写数字或任意手写数字,为后续图像复原研究奠定了基础。2.针对低分辨率图像的超分辨重建问题,研究了基于生成对抗网络的图像超分辨率重建算法,对生成网络中的残差模块进行了去掉批量归一化层的改进;在Set5、Set14、BSD100、Urban100数据集上分别使用绝对值损失函数和均方误差损失函数对改进网络与原网络进行对比实验;结果表明,改进后的网络在同样设置下训练耗时缩短约18%;使用客观质量评价指标PSNR、SSIM、MS-SSIM、FSIM对每个数据集的重建结果进行评价,评价结果表明改进后的网络重建效果优于原网络。3.针对图像运动模糊的去除问题,研究了基于生成对抗网络的图像去模糊算法。利用模拟运动模糊核与图像卷积的方法构造自制数据集,基于自制数据集对网络进行训练,使用训练后的网络与传统方法对模糊图像处理进行对比实验。实验结果表明相对于传统方法,基于生成对抗网络的方法耗时少,而且无需估计模糊核,并且避免了振铃,复原结果良好。4.针对低分辨率运动模糊图像,提出了一种基于生成对抗网络的图像超分辨率复原算法(DBSRGAN)。生成网络由去模糊、特征提取、重建模块组成,对生成网络的两个输出结果使用两个判别网络判别;对本文提出的网络进行训练,训练完成后在自制模糊数据集上进行实验,并且从主观和客观指标两方面对结果进行评价。实验结果表明,本文提出的DBSRGAN算法的超分辨率复原结果良好。