近年来,随着深度学习技术的出现,为图像复原领域提供了技术上的新方向,出现了众多基于深度学习技术的图像复原算法。已有研究主要关注图像复原中的图像去噪和图像超分辨重构两个领域。这两个领域本质上属于同一研究目标,即对图像丢失的信息进行重建。图像去噪主要针对高斯白噪声的去噪问题,已有的基于先验或者基于学习的方法,存在图像细节或边缘模糊,算法时耗高等问题。图像超分辨重构主要是对固定尺度的单张图像进行放大重构,已有的基于重构模型或者基于学习的方法,存在图像细节重构不完整,算法参数量大等问题。从深度学习技术的角度解决两个领域的问题,根本上是一致的,就是提取更有效的图像特征。在对两个方向进行了深入调研后,围绕两个领域中各自的研究热点和难点,分别进行了研究和改进。对于图像去噪领域,已有的卷积神经网络方法,存在收敛速度慢,测试速度慢,不能采用同一网络完成灰度图和彩色图去噪等问题。本文提出了一种基于多尺度特征的图像去噪算法,利用不同大小的卷积核提取不同尺度的特征,结合标准化的扩张卷积设计方法,加入残差学习,PReLU等常用的深度学习技术,训练了一个端到端的深度去噪网络。采用多个模型消融实验确定了网络结构。实验结果证明本文算法在多个基准测试集上的去噪效果是优于现有的深度学习方法,模型参数量比DnCNN^[15]和FFDNet^[65]算法降低接近一半。除此之外,本文的算法能在几乎不增加参数量的情况下,在彩色图像上的去噪效果也优于现有的深度学习方法。对于图像超分辨重构领域,已有的基于深度学习的超分辨重构方法,能得到较好的图像重构质量客观评价结果,但这些方法大多属于既深又宽的深度网络结构,其计算量大,不利于投入实际的工业应用。本文据此提出了一种基于通道衰减的快速超分辨重构算法。其主要思想是结合图像特征复用的想法,将卷积网络多层的图像特征进行拼接,并设计了一种卷积核数量随着层数增加而降低的衰减方式,达到了在保持图像重构效果不降低的情况下,减少模型参数量的目的。在多个基准数据集上,与现有的多种轻量级深度学习算法和经典超分辨重构方法进行了对比,实验结果证明算法能在不降低图像重构效果的情况下,比CARN-M^[78]和FALSR-B^[32]算法参数量降低至少一半。