由于移动互联网时代与医学信息革命的到来,图像及视频越来越普及,图像处理越来越受到重视,已经发展成为了一门具有远大前景的学科。图像在获取、传输等过程中都会不可避免的受到破坏,这无疑给研究者带来了很大的困难。对不同的处理目的而言,图像处理主要分为图像增强、图像恢复、图像重建和图像分割等。图像恢复和重建在不同领域扮演着非常重要的角色,但其本质上是一个不适定性问题。通常,通过引入正则化项,可以得到近似解。传统引入的正则化项可以是基于总变分或者边缘保留等。随着卷积神经网络的发展,其为图像恢复和重建提供了新的研究思路。本文基于图像恢复算法的理论方法和卷积神经网络模型,针对传统的数学模型和卷积神经网络模型在不同图像上的应用展开了研究。本论文主要研究图像去模糊、图像去噪和图像重建工作:(1)提出了泊松图像去模糊恢复的卷积神经网络。构建端到端有监督训练的卷积神经网络Tnet-Deb应用于自然图像的去模糊问题。对不同模糊核模糊的图像,Tnet-Deb均可以表现出更优的恢复性能,本文实验验证了提出网络的可行性与有效性。(2)受传统的方差稳定变换算法启发,本文构建了一个方差稳定变换网络(简称VST-Net)用于泊松图像的去噪,分别分析了联合学习和渐进式学习方法的去噪性能。同时,文章也对网络的参数进行了探究。批量归一化层的合理应用对泊松去噪表现出很强的恢复能力。大量对比实验验证了此方法的有效性。(3)和传统的优化模型采用人工设定的先验不同,本文在图像重建方面应用了去噪自编码网络作为先验信息,并用于稀疏投影X线CT图像重建。在网络学习阶段,选择了三通道图像进行学习以获得高维先验信息。在重建阶段,利用变量增强和通道平均技术用于单通道CT图像的重建。提出的鲁棒且增强的去噪自动编码先验(简称REDAEP)方法在平行束和扇形束CT重建中都取得了不错的效果。同时本文还探索了不同范数对性能的影响。综上所述,本论文以卷积神经网络为核心工具,通过将其作为直接映射或先验信息学习,在图像恢复和重建上提出的算法都表现了较好的效果。