图像盲去模糊任务在只给出单张观测图像的条件下恢复出潜在的清晰图像,是图像复原领域的研究热点之一。该任务本质上是一个严重病态的逆问题。现有的研究基于最大后验概率估计(Maximum a Posteriori,MAP)模型设计了很多针对潜在图像的高效先验,并将这些先验加入到去模糊模型中来缩小解空间,降低原问题的病态性。然而,大部分有效先验均是非凸且非光滑的,使得模型优化变得困难。同时,在现实场景中由于未知的图像分布、复杂的模糊核结构、非均匀的图像噪声等因素,使用单个先验应对多数现实场景显然是不充分的。针对上述问题,本文提出了先验引导的自适应优化方案,在优化过程中自适应地引入不同类型的先验对潜在图像进行稀疏结构控制(Sparse Structure Control,SSC),代替传统的单一形式的先验。具体地,本文设计了一个轻量级的MAP模型,模型中只包含必要的数据项及优化条件,所有先验项均设为常数。接着本文修改了传统的投影梯度下降过程,将SSC的结果作为每次投影梯度下降的起点。本文中SSC作为独立的模块,具有良好的可扩展性。本文分别基于_p范数正则化和稀疏结构学习两种方式对SSC模块进行了实现。本质上,_p范数正则化对应一系列收缩函数,而稀疏结构学习对应一组去噪卷积神经网络,两者均可以通过调整超参数实现对图像稀疏结构的控制。相比于前者,后者实现的算法对模糊图像中的噪声更加鲁棒,但算法性能及泛化性依赖于训练数据。本文将两种算法实现方式在多个基准数据集及真实图像上与现有方法进行了定量比较和定性分析,证明了本文提出的基于自适应先验的图像盲去模糊算法能够取得目前最好结果。最后,本文通过实验分析了算法整体的收敛性。