图像增强和重构是图像处理领域中一类基础性研究问题,长久以来受到相关领域学者们的积极研究和探索。造成图像降质的主要原因是复杂的成像设备和非理想的外部成像环境,如系统噪声、相机抖动、恶劣天气等。这些因素将导致拍摄得到的图像产生不同程度退化,表现为有噪声图像、模糊图像、受雨雾污染图像等。如何对降质图像进行增强和重构从而获得视觉效果良好的清晰图像是一个极具挑战性的问题。图像增强和重构作为很多现实视觉系统中的底层处理步骤,其目标是改善图像视觉质量,为后续的视觉决策提供可靠信息。然而,大多数模型驱动的图像增强和重构方法在关于失真效果抑制、退化模型中未知量的尺度不确定性等方面存在一些不足之处。近来不断涌现出的深度学习方法着重于设计端到端的网络结构来刻画降质图像到清晰图像的映射关系,能够避免制定优化模型以及手工设计先验,但其训练往往需要在大型数据集上进行且大多为有监督学习,导致算法泛化能力较差,计算代价也很高。因此,提出有效的图像增强和重构算法,是计算机视觉及图像处理等相关领域中亟待解决的问题。本文主要针对四种典型的图像增强和重构问题:边缘保持滤波图像增强问题、单幅图像盲去模糊问题、单幅图像去雾问题、以及单幅图像去雨问题展开研究。基于模型及深度学习框架下相应地提出了有效的图像增强和重构算法。主要研究成果如下:（1）基于自适应正则化约束的图像增强和重构模型。提出了一种能有效避免结构缺失和阶梯效应的边缘保持滤波图像增强方法。针对L0梯度最小化方法通过硬阈值的方式对图像进行平滑的问题,制定了基于图像特征的自适应L0梯度最小化模型。所提的自适应权函数可以充分利用图像的梯度信息,提升模型去除细节及保留主要结构的能力。该方法能够得到保持边缘结构的滤波输出,克服阶梯效应,进而避免在某些图像增强问题中出现失真等负面效果。此外,通过分析反卷积模型中模糊核和清晰图像之间的相对尺度不确定性,提出一种基于模糊核Lp范数正则化约束的尺度归一化方法解决单幅图像盲去模糊问题。所制定模型中的超拉普拉斯正则项依据尺度因子可以转化为关于图像和模糊核的联合先验项,在优化求解过程中正则项的权重系数是自适应变化的。利用该模型既可以估计出模糊核也可以重构出潜在清晰图像。实验结果表明,自适应正则化约束模型可以更好地处理一系列图像增强和重构问题,且能得到较为理想的结果。（2）基于弱监督深度学习的单幅图像去雾。提出一种新颖的弱监督网络来解决单幅图像去雾问题。不同于现有深度学习去雾方法利用大量人工合成的有雾图像数据集有监督地学习有雾图像与透射率或清晰图像间的映射,所提网络在物理模型约束下,只利用无雾图像真值作为监督信息,可以自动地学习得到透射率和大气光,并进一步依据模型重构出无雾的清晰图像。此外,利用真实有雾图像数据集对已训练网络进行微调,增强了网络在真实有雾图像上的去雾能力。实验结果表明,所提深度学习方法在单幅图像去雾问题中能够得到较好的结果。（3）基于密集连接金字塔网络的单幅图像去雨。提出了一种密集连接和金字塔池化模块相结合的单幅图像去雨网络框架。基于多尺度信息有利于雨线提取这一经验分析,在密集连接后嵌入金字塔池化模块,可以提升网络捕获多尺度信息的能力,进而帮助提取雨线。而密集连接可以充分利用不同层次的特征,增强网络的特征学习能力。同时,在所设计的每个密集连接金字塔模块之间采用密集连接操作来最大化模块间的信息传递,增强特征的表示能力。实验结果表明,所提深度学习方法能有效地解决单幅图像去雨问题。