人类获取的信息主要来源于视觉,而视觉系统的基础是图像,所以图像质量的高低直接影响到人类对客观世界认识的准确与否。由于相对运动、大气干扰、散焦和噪声等诸多因素的存在,导致了所获取图像质量的下降,因此图像复原至关重要。图像复原的任务是在去除由降质系统引入的模糊和噪声的同时,不丢失原始图像的细节信息。图像复原是一个病态问题,也是至今尚未很好解决的一个问题,同时又是一个非常具有挑战性的课题。本文深入分析了图像的退化模型和恢复模型,详细阐述了常用的降质退化函数、噪声模型、常用的复原方法以及主客观评价准则。在此基础上,提出了三种图像复原方法,分别如下：(1)提出了一种基于非局部约束的全变分图像复原方法。基于全变分模型的图像复原方法可以较好地恢复图像轮廓信息,但恢复的细节部分往往会产生过平滑的现象。我们将图像的非局部自相似性作为全变分模型的新约束,采用了非局部约束策略和局部约束策略相结合的思想,将非局部自相似性与全变分正则性进行互补,有效地解决了恢复图像过平滑和细节恢复不明显的问题。对比实验表明,该方法在抑制噪声的同时,又能有效地恢复图像的边缘和纹理细节信息。(2)提出一种基于改进权值的非局部约束的全变分图像复原方法。该方法针对提出的上一方法中对强噪声抑制不够理想的问题,将非局部均值滤波中的权值计算方法进行了改进,将原始的非局部权值和贝叶斯非局部权值的计算方法进行结合,新构造的权值计算方法同时保留了前两种计算方法的优势,使得非局部相似图像块之间的权值分配更为合理有效。对比实验表明,该方法与改进前的方法相比,可以更有效地抑制噪声,恢复出更多的图像细节信息,而且在视觉效果上更好。(3)提出一种基于样例学习的图像复原方法。该方法将样例学习的思想引入图像复原领域,并构造了一种新颖的三图像块集模型(模糊图像块集B、清晰图像块集C和高频图像块集H)。该方法先利用相似块匹配的策略,通过B-C和B-H之间的对应关系,分别恢复出低中频复原结果和高频复原结果,再将这两幅中间结果图像迭加得到最终的图像复原结果,有效地克服了因块重叠和光滑约束产生的二次模糊问题,保留了从图像块集中学习到的高频细节信息。为了降低该算法复杂性,采用了多级聚类的方法。实验表明,该方法的复原结果无论在主观视觉效果还是客观评价指标上,都明显优于对比算法。本文工作得到了国家自然科学基金(No.61173092),中央高校基本科研业务费专项资金(No.JY10000902045)和高等学校学科创新引智计划(111计划)(No.B07048)的资助。