图像复原任务旨在将低质量的图像恢复成高质量的图像,是计算机视觉领域的核心问题之一。高清图像在现代人的生活中扮演着越来越重要的角色。但是,由于硬件的限制和传输带来的损耗,图像的分辨率和清晰度无法满足人们的实际需要。然而,现有的图像复原方法在真实场景中的泛化能力很差。本文旨在提升图像复原方法在真实场景中的处理能力。为了实现该目标,本工作首先在退化类型已知的受限条件下对图像复原相关问题进行研究,然后推广到退化类型未知的不受限条件的真实场景,主要取得了以下研究成果:1.为了退化类型已知的超分图像的质量,本文分别在自然图像和人脸图像超分任务上提出了增强重建图像细节的算法（ESRGAN）和提升重建人脸图像准确性的算法。首先,本工作通过对网络结构、对抗损失函数和感知损失函数三方面进行研究,不仅提高了模型的计算能力和降低了训练难度,而且提升了重建图像的视觉质量。其次,本工作在对现有人脸算法进行公平对比和分析后,提出更有效的人脸先验利用方式和网络结构,本工作提出的人脸算法相比现有人脸算法能够重建出更准确的结果。2.为了提高退化类型已知的去噪图像的质量,本文在合成噪声任务上提出了增强去噪图像重建质量的算法。本工作首先合成大量的训练数据来逼近真实数据。然后分阶段对图像进行复原—第一阶段训练预测退化模型,第二阶段进行精细的图像复原。与现有图像去噪方法相比,该算法在图像去噪任务上不仅取得了不错的数值结果,而且大幅度提升了复原图像的细节/纹理的生成。由于模型的有效性严重依赖于合成数据分布与测试数据的匹配度,因此,本文又进行了下一步探索。3.为了提高退化类型未知的真实场景下的复原图像质量,本工作分别从图像内容的约束、训练数据的筛选和算法模型的后处理三个角度进行了深入研究,并提出新的盲复原模型。首先,该方法引入一种新的图像约束损失函数来补偿无监督学习中像素级监督的缺失。其次,限制判别器的输入数据,提高了判别器抑制高频纹理或伪影的能力。第三,为了进一步解决模型选择问题和提高重建图像质量,本工作引入了一种模型平均策略进行后处理。本文提出的盲复原模型不仅可以取得更好的数值结果和视觉质量,而且提高了训练稳定性。4.为了进一步解决退化类型未知且缺少训练数据的的真实场景下的单张图像复原问题,本工作在已有的基于单张图像生成方法的基础上,通过引入图像输入先验来提高模型在图像复原任务上的稳定性,其次分别引入了全局和局部先验模块来提高输入信息的有效利用。本工作提出的新模型不仅稳定了训练过程,也提高了重建图像的准确性。