在获取图像的过程中有许多因素会导致图像质量的下降即降质,如光学系统的像差、大气扰动、运动、散焦和系统噪音,它们会造成图像的模糊和变形。图像复原的目的就是对退化图像进行处理,使其复原成没有退化前的理想图像。由于噪声和图像细节在频带上混叠,所以在图像滤波中,图像去噪与细节保持往往是一对矛盾。图像复原问题是图像处理中重要而又富有挑战性的课题。文中首先介绍了基于空间域的数字图像复原算法。给出了数字图像降质和复原模型,在传统空域滤波算法基础上提出一种混合噪声自适应滤除算法,该算法首先利用局部阈值把受高斯型噪声污染的像素和受脉冲型噪声污染的像素区别开来,然后再分别采用自适应中值滤波和自适应加权均值滤波将分离出的脉冲噪声和高斯噪声去除。实验表明该算法能有效地去除混合噪声的同时具有较强的细节保持能力。接下来引入了马尔可夫随机场的基本理论,它能够很好地描述图像中各个像素之间的空间连续性,在选用适当的邻域系统后,能对图像的结构特征建模。基于MRF的复原算法将原图像看成是一个Markov场,以此作为先验知识来进行最大后验概率密度估计。如何进行最大后验概率密度估计(MAP)的计算是图像复原的关键之一,经典的确定性松弛算法和随机松弛算法在收敛速度和全局收敛性上各有优势。本文提出一种改进的模拟退火算法,将网格图像分块并用atan函数构造ISING模型中的系数与迭代计算次数之间的函数关系,加快其收敛过程,有效地复原被强高斯噪声污染的二值文本图像。马尔可夫随机场模型为解决低层视觉问题如图像恢复,提供了一个鲁棒的、统一的框架。实验表明基于置信度传播的演算法能够得到较为准确的结果,但其在实际应用中很慢,本文将介绍一些改进能极大地降低LBP(loopy belief propagation)算法的时间复杂度。