图像复原包括各种任务,如图像去噪、图像去雨和低光照图像增强等。传统图像复原算法基于大量人为设计的特征,存在特征固定、普适性较差等诸多问题,而基于深度学习的图像算法不仅能弥补传统方法普适性差的不足,且能在性能上有所提升。本文从深度学习算法所涉及的“模型”和“数据集”出发,以两个角度研究图像复原任务。首先从“模型”的角度,木文提出基于QTP损失的图像复原方法。由于常规有监督方法有域迁移问题,无监督方法更适合处理真实场景的图像复原任务。然而,无监督图像复原方法往往存在三个问题:伪色或图像质量差、图像的复原效果不足和复原前后图像中内容失真导致语义信息丢失。针对上述问题,本文提出了一种新的混合损失函数,即质量、任务和感知损失函数QTP（Quality、Task、Perception）。质量部分通过强化图像质量来解决伪色和图像质量差,即使复原后图像和其未严格配对的参考干净图像的质量得分接近;任务部分提出应用任务概率网络来解决复原效果不足,将无监督图像复原转换为一个有监督的分类问题,该任务概率网络也由本文所提出;感知部分通过维持图像复原前后傅里叶相位谱的多尺度一致性,来处理丢失语义信息问题。在实验部分,本文针对低光照图像增强、图像去雨和图像去雾这三个问题进行了无监督和有监督实验,实验结果证明了 QTP方法的有效性。其次从“数据集”的角度,本文提出两阶段双QTP无监督低光照图像增强方法（DQTP）。在无监督领域,基于伪低光照图像的增强方法是很有效的,然而由于缺乏对低光照图像具体的约束,这些伪低光照图像和真实低光照图像有差距,这个问题很大地影响着基于伪低光照图像的增强方法。针对上述问题,本文提出DQTP方法,在第一阶段本文为低光照图像增强任务提出一个新的先验理论——双空间的综合一致性,即假设在低光照图像空间中学习到的伪低光照图像应全面符合真实的低光照图像。在增强的图像空间中由伪低光照图像增强后的白天图像应该和真实低光照图像增强后的白天图像保持一致,上述两对一致性构成双空间对称结构。然后在第一步生成伪低光照图像的过程中嵌入这一对QTP损失函数在双空间来约束网络的综合一致性;在第二阶段,本文从学习到的伪低光照图像数据集中添加额外的监督约束,优化无监督增强网络的性能。最后,在有监督的和无监督的数据集上的综合实验都证明DQTP算法的优越性。在算法创新之外,本文还从工程角度出发,将上述复原算法部署在云平台,实现用户终端访问和在线调用图像复原服务,使深度学习算法落地。