近年来,显微图像复原研究在生物医学、神经科学、细胞和分子生物学等领域发挥着越来越重要的作用,成为了解决显微图像质量退化问题的有效途径之一。其中,图像盲复原算法因其对复原先验知识要求较少而成为人们的研究难点和热点。本文针对显微图像盲复原算法展开研究,主要从最大后验概率和全变分图像盲复原算法的角度来进行研究。主要研究工作如下:　　(1)对传统的最大后验概率方法(MAP)进行了研究,在此基础上,重点研究了广义高斯分布模型。考虑到广义高斯分布模型(GG)可以模拟工程中遇到的所以噪声模型的性质,将二者相结合。其中模型的前半部分用泊松分布代替,后半部分用广义高斯模型代替。实验结果表明与传统的RL算法相比较,本算法的复原结果在去纹波效果方面更清晰,图像噪声有了一定的抑制。　　(2)在传统的最大后验概率方法的基础上结合全变分正则化项,考虑图像的梯度,其中梯度较大的区域是边缘区域,需保持图像细节;梯度较小的区域是纹理区域,需减少振铃以及抑制噪声放大。正则化项的选择依据梯度的大小来决定。其中梯度的分割采用黄金分割点的思想。实验证明,改进后的算法复原出来的图像比传统的RL算法运行时间缩短了一半,而且峰值性噪比有了一定的提高,各项指标均有所改善。　　(3)对传统全变分图像盲复原算法(TV)进行了研究,加入Weber定律和正则化项,改进了全变分图像盲算法。通过实验可以看出,改进后图像效果比原来算法复原效果有所好,图像更清晰。　　本文采用标准测试图片和实际的显微图片相对比的实验方式,对三种方法进行了仿真,实验结果验证了算法的价值和有效性。