作为一种传递信息的载体,图像在获取过程中难以避免的会出现图像降质问题,导致图像清晰度下降,严重影响了对获得图像的后续处理和利用。图像复原的目的在于从退化的图像中恢复出其清晰的图像,该技术已经广泛应用在医学影像、航天航空等领域中,具有高度的应用价值并且得到了大量的关注。在实际应用中,导致图像退化的的点扩展函数是未知且复杂多变的,给图像复原加大了难度。在图像退化过程中,图像中许多高频信息被破坏且难以完整恢复,为了更清晰的恢复图像中的高频细节,提高复原图像的质量,本文引入了显著性思想,旨在将更多的注意力集中在图像显著区域来恢复具有更清晰细节的图像。并且,进一步将图像显著边缘融入到神经网络之中,构建了一个基于生成对抗网络框架的双分支复原网络以提升重建图像的效果。本文的主要内容为:（1）针对空变退化图像中点扩展函数的非均匀性,简单的盲复原方法不能有效恢复图像细节,提出了一种基于自适应四叉树分块的方法以实现局部图像去模糊,然后利用显著性检测,获取图像显著区域以及边缘信息,并作为显著性先验约束来建立图像复原模型。在仿真退化图像和真实退化图像上的实验结果表明,该方法在视觉效果和客观评价上都具有较好的结果。（2）在生成对抗网络的基础上,将具有显著高频特征的图像梯度信息作为引导,为图像复原过程中提供大量的细节信息,构建了一个基于生成对抗网络的梯度引导图像复原神经网络,共包含两个网络分支。其主要思路为:在模糊图像输入模型之前,提取出梯度图像,分别使用图像复原分支和梯度重建分支网络进行模糊图像和模糊梯度的复原,通过调整网络结构,将梯度重建网络的中间梯度特征有效的融合至图像复原网络中,加强图像显著边缘特征,作为图像复原网络的引导以生成更加清晰结构的图像。最后对Go Pro标准数据集的训练以及测试后得到的复原结果显示该方法可以实现良好的复原效果。