图像是人类获取、传递和交流信息的重要途径之一。但是在图像获取、传输和存储过程中，由于环境条件、光学成像设备局限性等影响，不可避免会引入模糊，从而降低其质量。计算机视觉任务，如图像检索、物体识别以及图像分割等，对图像的清晰度都有一定的要求。模糊现象会影响图像内容表达，降低上述算法的精度和性能。而图像模糊检测、模糊区域提取，以及进一步对模糊区域开展针对性修复，能够提高图像内容表达清晰性，从而提升计算机视觉任务精度和性能。　　近年来，学者提出了许多图像模糊检测的算法，都具有不错的效果。但是大部分模糊检测算法只针对特定的模糊类型效果较好，缺乏普适性。本文采用基于频域变换的检测方法，对不同模糊类型均具有较好效果。同时，为了提高对不同尺度、不同结构模糊的判定，本文还结合尺度空间理论，综合分析不同尺度的离散余弦变换系数变化情况，进一步提高了检测精度和普适性。计算获取的模糊度特征应用于后续的区域合并。　　传统的像素级聚类和区域合并，需要大量的存储空间，具有很高计算复杂度，且分割效果不理想。超像素算法能够提前将图像分割成多个子区域，降低算法复杂度，且边界贴合性更高。因此，本文使用超像素算法进行初始分割。然而，传统的超像素算法对梯度信息同等对待，容易受噪声和纹理干扰。本文提出了一种基于残余谱计算边缘显著性的算法，能抑制物体内部细碎的纹理信息，避免过分割。同时，算法能增强外轮廓梯度，防止欠分割，提高贴合性。此外，由于传统方法仅考虑像素的梯度信息，并未考虑像素之间的位置相关性，导致部分分割不准确。因此，本文研究了超像素分割代价函数，增加了空间位置约束，能够保证种子点周边像素优先与种子合并为同一区域，提高像素块的致密性。最后，针对种子点均匀分布的缺点，提出了基于边缘密度优化种子点分布的解决方案，提高了分割合理性。实验结果表明，本文提出的算法具有更高的精度。　　在完成超像素初始分割后，本文提出了一种结合图像LBP纹理、模糊度和空间邻接性特征的层次聚类算法，实现了模糊区域的分割。在层次聚类算法中，LBP纹理信息保证了合并区域的语义性。空间邻接性确定了只有空间相邻区域才能合并，从而保证了区域连续性。模糊度信息则保证区域的模糊程度的一致性。本文结合三类特征，保证提取出来的区域既有语义表达、空间连通，还具有相似的模糊程度。同时，针对复杂度较高等问题，本文利用最近邻域图进行了优化。　　在获得图像模糊区域之后，本文采用去模糊算法对该区域进行修复。其主要挑战在于如何精确估计模糊核及去除振铃。振铃效应主要发生在较大梯度的边缘附近，称之为显著边缘。抑制这种现象需要根据图像的局部特征自适应地设定去卷积权重，而该权重可以根据显著边缘来获得。为了提取显著边缘，本文提出了一个基于多种边缘算子融合的检测方法。该边缘不仅能帮助改进模糊核，也能够在去模糊的过程中抑制振铃效应。通过利用显著边缘，提出了一种新颖的边缘感知反卷积算法，显著减少了振铃现象。实验结果证明，在峰值信噪比(PSNR)或结构性相似指数(SSIM)等客观指标上，本文提出的算法拥有比传统方法更好的效果。