图像及视频复原是从低质量的图像和视频中复原出理想、高质量的图像和视频,它是数字图像处理、计算机视觉等领域一个经典的问题。近些年,基于卷积神经网络的图像及视频复原算法的性能取得了突破,但这些算法通常存在两个主要问题:一、算法忽视了不同层次特征的互补性且未学习到图像重要的特征;二、算法模型复杂、参数量大且计算效率低下。这些问题限制了算法的性能。本文因此联合注意力机制和神经网络,探索了图像及视频复原算法,重点研究了图像去雾和模糊视频复原问题,下面是本文主要的研究内容和研究成果:首先,针对现有的图像去雾深度学习模型复杂且难以高效地利用神经网络有益的特征,本文提出基于特征金字塔和通道注意力机制的深度神经网络。该网络由一个三尺度特征提取模块、一个金字塔通道注意力模块和一个图像重构模块构成。三尺度特征提取模块捕获图像不同尺度下的低层空间结构特征和高层语义特征;金字塔通道注意力模块利用特征金字塔和通道注意力机制捕获这些特征,并以金字塔方式融合图像重要的特征进行图像去雾;最后图像重构模块将特征重构为最终清晰的图像。其次,针对现有基于深度学习的图像去雾方法通常直接使用高层特征（包含更多的语义信息）来复原清晰图像,忽略了低层特征（蕴含更多的细节信息）,本文首先开发了一个利用卷积神经网络低层和高层特征的特征多层次融合模块。接着在此基础上,本文提出了一种带有注意力块的残差混合卷积注意力模块来引导网络在学习过程中关注重要特征,同时降低网络训练的难度。在这个残差混合卷积注意力模块中使用了分组卷积、深度可分卷积和点卷积,因此比其他由普通卷积构成的模块计算速度更快。最后,针对现有的模糊视频复原算法依赖于光流等信息来建模视频的时域信息,模型计算复杂且难以有效建模时空信息。本文提出了一个基于多种注意力机制的深度学习模糊视频复原框架,具体是一种由时空注意力模块、图像帧通道注意力模块以及特征提取和重建模块组成的多注意力卷积神经网络。首先,该网络利用时空注意力模块和图像帧通道注意力模块来捕获相邻图像帧具有时空信息的特征;然后将捕获的特征进行融合和重构,产生清晰的图像;最后借助内容损失和感知损失以端到端方式训练多注意力卷积神经网络来恢复视频清晰细节信息。