图像复原的目标是从退化的图像中恢复潜在的清晰图像。当前的深度学习技术已经在图像复原任务中取得了引人注目的成就。然而,由于现存的大多数基于深度卷积神经网络的图像复原方法严重依赖于成对的训练数据,加之真实世界中的退化图像与模拟退化图像具有本质上的差异,导致它们在真实场景中的泛化性能受到一定程度的限制,不足以解决生活中的实际问题。为了进一步提升基于深度学习的图像复原方法在真实退化图像上的泛化性能,本文主要借助半监督学习的思想并利用卷积神经网络强大的学习能力来捕获真实退化图像的固有特征,使得网络学习到更适用于真实退化模型的参数。其次,在半监督策略的启发下,本文进一步突破原有监督学习给卷积神经网络带来的过拟合效应,提出一种新颖的自监督复原方法作为半监督图像复原算法的一个扩展。本文的主要研究内容如下:（1）本文提出一种基于残差注意力的半监督图像去雨算法。该算法首先提出使用通道注意力机制来突出重要的图像特征,抑制非重要的图像特征,进而辅助网络专注于边缘纹理等高频信息的复原。其次,根据提出的半监督学习范式设计了一个两分支网络结构,其包含一个有监督学习分支和一个无监督学习分支,分别使用合成的有标签样本和真实无标签样本进行训练。特别的是,两个分支的网络共享相同的参数。综合的实验结果证明,本文提出的半监督图像去雨算法能够显著提升模型对真实降雨图像的泛化性能。（2）本文还提出一个基于自监督约束的双尺度真实图像盲去噪算法。该算法仅使用真实噪声图像作为训练数据,设计了一种双尺度两阶段的网络模型以实现噪声估计和图像去噪。其次,提出基于全变分先验的边缘保持自监督约束和基于图像背景一致性的自监督约束指导网络学习图像中的细节特征。为了使网络更多地关注图像中的微小细节,本文提出一种新颖的结构相似性注意力机制,帮助网络复原出纹理细节更加清晰的图像。综合的实验结果表明,本文提出的自监督图像盲去噪算法对于提升模型在真实场景的泛化性能具有重要意义。