当图像成像条件和图像传输过程中存在不良因素时,会使图像质量下降,影响图像的使用和其后的处理。如何从降质图像复原出清晰的、内容丰富的图像是人们普遍关注的,在许多领域中都有重要的需求,这就是图像复原要解决的问题。图像复原主要包含：去噪、去模糊、修复和超分辨率等方面的内容。本论文主要围绕图像去噪,图像去模糊两个方面开展研究。论文在分析图像降质模型的基础上,研究了图像复原的处理思路,评述了基于统计信号处理、基于偏微分方程理论、利用马尔可夫随机场模型的势函数和正则化等四类图像复原方法。论文工作主要以正则化方法为基础,分别研究了去运动模糊、基于专家场模型(FoEs)的去噪声与去模糊、基于图像稀疏化表示和图像非局部信息的图像复原方法。论文研究了去运动模糊的算法。在正则化方法的基础上,深入研究了复原模型方程的求解和正则化参数的选择。在模型求解方面,提出了基于分块对称逐次超松弛迭代预处理的共轭梯度方法；在参数选择方面,提出了一种分区的自适应选择方法。论文研究了目前广为关注的专家场模型在图像复原中的应用。讨论了FoEs模型在图像去噪中的技术途径,即先确定具体问题的概率分布模型,再通过最大后验估计获得结果。在此基础上,论文提出了一种具有自适应能力的FoEs模型,在图像去噪的应用测试中体现了很大的优势。在图像去模糊的研究中,提出了利用FoEs模型,确定具体的先验约束条件的势函数,再将其融入基于正则化方法的目标函数中；通过最优化目标函数处理,获得了能够更好地保留边界信息的去模糊结果。论文研究了图像的稀疏表示在图像复原中的应用。提出了一个基于图像稀疏表示的正则化去模糊算法。在这个算法中,首先一个新的稀疏正则项作为先验约束条件融入到目标函数中,采用正则化方法处理；其后,结合基于K-SVD的学习算法从复原图像中获取图像稀疏化字典,并在复原过程中迭代更新和修正,获得了更好的复原性能。最后,论文研究了基于非局部信息的图像复原方法,提出了一个新的去噪声算法。在这个算法中,首先定义了一个融合EMD计算图像子块间的相似度,形成新的正则化函数；其后,利用方向信息对图像子块进行粗分类,以减少引入新正则化函数增加的计算量；然后,设计了一个新的分离Bregman迭代算法,求解新的复原模型方程。算法获得的复原图像可以较好的保持图像结构信息。