图像是人类获取视觉信息的主要途径，在成像、复制、扫描、传输、显示等过程，图像降质不可避免的情况下，图像复原便具有其重要的意义。作为图像处理的一个重要分支，图像复原就是利用失真过程的先验知识，进行一定的加工处理，使其恢复(逼近)原始图像。多数情况下，图像退化的先验知识并不可知，必须从观察的图像中以某种方式抽出退化信息，从而找到图像复原的方法。这就是所谓的盲图像复原。比起普通的复原处理，盲图像复原更具实际应用的意义。本文针对盲图像复原，围绕着Parzen窗估计方法与正则化方法进行了深入的研究。 首先，对盲去卷积方法、基于非负性和有限支撑域约束的递归滤波方法以及基于RBF神经网络的复原方法三种较有代表性的盲图像复原方法从可靠性、计算的复杂程度、算法的可移植性及对噪声的鲁棒性等诸多方面进行简要的介绍和实验证明，为Parzen窗估计法与正则化复原方法的研究提供方法优缺对比。 其次，对Parzen窗估计在盲图像复原中的应用进行了深入讨论，包括Parzen窗估计的基本公式与图像退化过程的模型在形式上的对应关系，以及用这种非参数估计方法对图像退化模型中的点扩展函数估计的有效性。实验结果表示，只要通过适当的方法，选择对应的窗函数，求得关键的窗宽度参数值，得到最终的Parzen窗矩阵，这种非参数的建模方式以及点扩展函数的估计都是让人较为满意的。Parzen窗估计法的研究具有广泛的应用价值。 最后，讨论了图像复原的病态问题，并由此对正则化方法进行了详细的研究。鉴于正则化复原过程中产生的抑制噪声与边缘信息保留的平衡矛盾，提出分区域正则化方法，即要求根据图像灰度分布特性的不同，选择不同的符合相应区域特性的自适应正则化算子与正则化参数来进行正则化复原。实验证明，在平坦区域采用各向同性的二阶差分算子，而在边缘区域采用各向异性的空间自适应算子，在解决复原病态问题的同时，更能很好的解决抑制噪声与保留边缘的平衡矛盾。