在解决视觉分析问题时,一般的深度学习方法从训练数据中学习输入空间到解空间的函数映射,忽视了和任务相关的先验知识,因此深度学习方法大多受限于训练数据,易出现泛化能力不足的问题且可解释性差。为了同时有效利用训练数据和与任务相关的先验知识,本文提出了一种灵活的协同生成引导算法框架。通过具体设计框架中基于数据驱动的生成模块和基于任务先验的引导模块,可以形成针对不同视觉任务的特定算法。本文着重于解决图像盲复原问题。图像的边结构信息对模糊核的估计至关重要,本文将生成模块设计成带有初始化层的卷积残差网络,用于从退化图像中生成具有显著边结构的潜在图像,网络在推断过程中缺乏数学理论保证,其输出结果容易偏离预定的优化方向,因此引导模块被设计成基于能量判别和先验近端算子的纠正器,用来修正网络的输出,保证算法生成的潜在图像序列满足能量函数的单调性和其一阶最优性必要条件,使其在理论上能够更加逼近潜在的清晰图像,且整个求解过程具有理论上的收敛性保证。对生成器和纠正器进行简单修改后可以使算法用于解决其他底层图像处理问题。提出的算法框架还被应用于皮肤分割任务,本文设计了新的双任务互引导网络结构,其中的生成模块能够同时输出皮肤和人体区域的掩膜,人体掩膜被作为皮肤区域的先验信息用来在引导模块中进一步精细化皮肤分割的结果,同时皮肤掩膜又作为人体区域的先验信息被同样使用。通过使用相对容易标注且已经大量存在的人体掩膜作为先验信息,本文方法可以在有限皮肤标注的数据集上获得更好的分割结果。此外,本文还根据条件随机场模型下的分割先验和人体与皮肤区域的从属先验,提出了一种带标注存在性指示的加权半监督损失函数,它能够使本文的网络在残缺的训练数据上依旧维持较好的性能。