图像解卷积技术一直是学者们潜心研究而又历久弥新的课题,有着广阔的发展前景,它是一种降质图像复原技术,其通过相关算法可将退化的图像还原成高质量的图像。但由于图像解卷积问题本身的病态性和复杂性,其在研究过程中遇到了很多的难点,虽然目前已取得了很大的发展,但几乎每种方法都存在不足。所以为了使复原效果更理想,在原有算法上不断改进、提出更有效的方法就显得尤为重要。本论文从图像解卷积着手,阐述了其研究现状及重要意义,重点对目前已有的核心方法、关键技术和需解决的主要难题进行了深入的研究。在理论研究的基础上,本文从修补图像边界信息以及充分利用图像三通道之间的信息共享两方面出发做出了有价值的改进工作,主要创新工作和研究成果如下:(1)针对图像边界条件假设法的局限性,通过整合图像修补和图像解卷积技术,提出了基于边界修补条件的图像解卷积方法。该方法在边界未知的情况下进行解卷积,避免了人为设定的边界条件的影响。同时,在图像解卷积过程中自动生成更为自然的、符合成像系统的边界信息。实验数据表明,该方法提升了边界恢复效果,不仅增强了适用性,同时也保证了图像复原速度。(2)针对图像通道间信息缺失问题,利用Retinex SSR算法作用后的图像三通道之间相似性增强的性质,提出了一种Retinex通道先验正则化项。该正则化项使得图像通道间相互约束,因而模糊通道的图像在清晰通道的帮助下可以获取更多的先验知识。(3)针对复原图像的色差问题,通过整合(1)和(2),提出了基于Retinex通道先验的图像解卷积方法,该方法构建了一种新的图像复原模型,该模型在原模型的数据适定项部分加入了图像边界修补策略,在正则化项部分加入了图像先验信息和交叉通道先验(Retinex通道先验)信息,然后本文利用了拓展优化问题下的ADMM算法思想对该模型进行了求解,并通过实验证明,本文提出的方法相比于其它方法,如BM3D、HYP、YUV和第三章方法,可以更有效地校正图像中的色差,且鲁棒性高。