由于相对运动、大气干扰、散焦和噪声等诸多因素的存在,导致了许多条件下获取的图像质量下降,降质图像复原的需求日益增多。图像复原是一个不适定的问题,虽然出现了不少复原算法,但正则化复原方法更为有效。自适应正则化方法由于既能够很好的恢复图像边缘和纹理细节,又能够较好地平滑噪声,优于传统的全局正则化方法,近年来得到了广泛的关注。本文围绕自适应正则化复原方法进行了深入的研究。论文首先研究了衡量图像复原结果的质量评价问题,提出了一种基于分区域的复原图像质量的盲评价方法。根据噪声和伪像对图像中不同类型区域影响不同,评价方法首先将降质图像划分为边缘区、纹理区和平坦区,然后分别计算边缘区和平坦区在复原前后局部方差的平均变化量,最后给出图像复原质量综合评价值的计算方法。新方法与传统基于统计的复原图像质量评价方法相比,一是不需要知道原始图像,二是充分考虑了图像不同内容对图像质量的影响。其后,从三个方面研究了自适应正则化图像复原方法:基于噪声分布的方法;基于图像复原特征的方法和基于先验图像约束的方法。在基于噪声分布的方法中,提出根据噪声分布自适应计算正则化参数及设计正则化算子的方法。方法分为三个步骤:1)在空间域或小波域内估计降质图像的噪声分布;2)根据噪声分布估计结果自适应计算局部正则化参数;3)在判断噪声和边缘的基础上,自适应设计正则化算子。该方法与现有的自适应正则化方法相比,在计算局部正则化参数方法时不需要知道原始图像或精确的噪声方差,在噪声较为严重的条件下复原结果更优。在基于图像复原特征的方法中,提出了根据图像复原的基本特征构造正则化约束项的方法,构造了两个新的正则化约束项:伪像平滑约束项和边缘恢复约束项。由于新特征约束项的引入,能够确保图像复原结果在极大程度上消除伪像和恢复边缘。在基于先验图像约束的方法中,提出利用最小鉴别信息构造先验图像对图像复原结果的约束,给出了基于最小均方误差验证和置信策略自适应计算新约束项正则化参数的两种方法。新的约束不仅能够保证复原图像在最大程度上类似于先验图像的灰度分布,而且在盲图像复原中能够更加准确地估计降质点扩展函数。最后,论文研究了将自适应正则化方法应用于超分辨率图像重构,对于运动估计和降质点扩展函数估计不精确的情况下,重构效果要好于传统的方法。