随着成像技术的普及与发展,数字图像逐渐成为了一种重要的信息传递媒介。但是,在实际的应用场景中,由于成像条件及外界干扰等因素的影响,存在着分辨率低、数据缺失等质量退化问题,图像恢复旨在研究如何从退化图像恢复出来理想图像,从而达到改善图像质量的目的。深度卷积神经网络通过卷积运算的层级化处理能够有效获取图像的层级特征表示,为图像恢复带来了新的建模方法,带来了图像恢复算法性能的有效提升,使其研究进展有了实质性的突破。为此,本文主要研究了基于深度卷积网络的单幅图像恢复算法,针对日常应用中获取到的图像分辨率过低和获取到的图像有缺失这两种情况分别提出了相对应的改善图像质量的方法,具体成果包括:（1）提出了一种感知损失驱动的图像超分辨率注意力网络。不同于常见的监督学习,需要有成对的数据集支撑并对网络进行预训练,本文方法只需要任务依赖的低分辨率图像即可完成任务,解决了时间资源和空间资源的浪费。在此基础之上,为进一步加强网络恢复出具有优秀质量图像的能力,在网络中加入了空间残差注意力模块以及使用感知损失指导网络训练,这也使得该方法恢复出的图像有着优秀的视觉效果。（2）提出了一种双通道特征均衡的图像修补对抗网络。本文通过对抗学习方法实现图像缺失修改,设计了一个编解码结构的生成网络,在保证了其对细节纹理部分重塑的同时,通过双通道特征均衡来加强网络对图像结构的重构,并通过相对全局、局部鉴别器进一步约束恢复图像的一致性。实验结果表明,该方法能够恢复出具有合理结构并且细节丰富的图像。