图像恢复在航空航天、天文、遥感、医学、日常摄像及科学成像等方面有重要应用需求。由于成像系统、记录设备、工作环境的不完善，不可避免地导致实际获取的图像包含模糊,噪声等退化降质问题,从而影响图像的使用和后续处理。图像恢复的目的是从成像系统观测的退化图像中恢复原始图像。在很多情况下成像系统退化过程的信息常常是未知的或仅仅部分已知,盲反卷积被广泛地用于估计点扩展函数(PSF,point spread function)和恢复目标图像。本论文重点研究了空间域、时间域和变换域先验知识建模以及图像恢复的理论与方法。总体而言,本文的主要内容如下:　　首先,提出了2种参数化模糊辨识方法。首先我们从数学上证明了具有中心对称的模糊增加图像二阶中心矩,提出了基于二阶中心矩最小化的参数化模糊辨识方法,在实验中证实了平滑后的图像有更高的二阶中心矩,并应用到大气长曝光湍流模糊退化恢复。针对低分辨率和低信噪比的无源毫米波(PMMW, passive millimeter wave)图像,我们提出了基于图像分解的参数化模糊辨识方法,提出的方法有效地分离出有利于进行图像反卷积的大尺度结构的基层图像和含有噪声的细节层图像,分别利用半盲反卷积和联合双边滤波对得到的两个子层进行处理,有效地克服了直接对退化图像处理导致噪声放大的缺点。　　其次,提出了空间自适应总变分正则化图像盲反卷积方法。通过引入差分特征值作为边缘指示算子,构造了具有空间自适应调节能力的总变分模型,它能够利用图像内部空间域信息来控制总变分模型在不同像素点的约束强度。提出的模型考虑图像内部空间信息分布的差异,在边缘区域施加较小的总变分约束,在平坦区域施加较大的权值以便很好地抑制噪声。由于空间自适应项的调节能力,提出的算法对正则化参数的选取不敏感,有效地提高了算法的实用性。　　然后,提出了自适应捕捉图像多尺度方向性和结构特征的半盲、非盲和盲反卷积模型。利用框架小波变换域稀疏性知识和PMMW参数化PSF模型,构造了联合PMMW图像和PSF估计的半盲反卷积模型,仿真和真实PMMW图像实验验证了方法的有效性。我们在变分和最大后验概率(MAP, maximum a posteriori)框架下引入框架小波变换稀疏性先验约束,构造了变换域稀疏性正则化的Poisson图像反卷积模型,框架小波变换具有多尺度刻画能力,能够根据目标图像的不同方向自适应选择合适的一阶和二阶方向导数,因此,边缘和细节信息可以被很好地保持。采用分裂Bregman迭代算法将包含不可微、不可分离项的最小化问题转化为一系列易于求解的子优化问题,且每个子优化问题具有封闭形式的解或者可以利用快速傅里叶变换求解。由于引入了分裂Bregman迭代算法,提出的算法所需内存小、计算效率高以及易于数值实现。　　再次,提出了整合多帧时间信息和稀疏正则化的多帧图像盲反卷积模型。模型中的正则化项刻画了图像在空域和框架小波变换域下的稀疏性先验约束,数据项整合了多帧数据的时间信息并且度量了在退化模型下与观测数据的一致性。采用分裂Bregman迭代算法进行快速优化求解,其优势是目标图像中大的框架小波系数只需很少的迭代次数就会被恢复并且保持稳定,这有利于多帧盲反卷积,因为大的框架小波系数刻画了图像的边缘和重要特征,进一步,PSF的估计随着迭代进行也会变得准确,其次利用自适应软阈值算子，同时抑制噪声和保持边缘。　　最后,提出了两阶段多尺度框架盲反卷积方法。首先,采用由粗到细的渐进式多尺度框架估计PSF。在多尺度框架下每一个尺度内利用能够增强图像边缘陡峭程度的范数约束图像,以及范数约束模糊核,为了改善模糊核估计的精度,对迭代过程中的数据进行了优选,在图像恢复之后估计模糊核之前加入可以有效地提取台阶状边缘预测步骤。其次,一旦模糊核估计出来之后,采用非盲反卷积方法恢复图像。提出的方法不仅在运动模糊而且在散焦和湍流模糊图像上也获得了一定的效果。