图像恢复是通过计算机的复杂算法,处理图像数据中缺失或者损坏部分,从而对质量下降的图像加以重建或恢复。近年来,由于深层神经网络具有强大的自主学习特征的能力。大量的神经网络算法被提出来解决图像恢复领域的一些焦点问题,国内外很多科研工作者投入精力和时间研究其网络结构的设计,取得了显著的效果。本文针对图像恢复领域的两大焦点问题:图像超分辨重建和图像去噪,提出了相应的网络结构设计,进行的研究如下:提出了一种基于多尺度分布式(MSN)的图像超分重建网络。首先利用不同尺度的卷积核来捕获低分辨图像的多尺度特征;其次,由相同大小卷积核捕获的特征映射直接输入到与其对应的多尺度混合群(MHG)进行特征训练学习;将所有多尺度混合群(MHG)训练的特征图级联,得到小尺寸的特征图像;最后,使用Meta上采样作为图像放大模块,以任意比例因子来放大训练后的特征图像,获得图像超分率重建。其中每个MHG的混合卷积层是由空洞卷积和标准卷积组成的。混合卷积层可以从先前和当前尺度的卷积层充分学习更高层次的细节,并且每一个混合卷积层的输出通过跳跃连接反馈到后续的混合卷积层中,从而产生密集连接,形成一个很深且有效的超分辨重建网络MSN。通过对多幅图像进行实验和评估说明,本文提出的MSN网络在数值结果和视觉质量方面均优于目前先进的方法。提出了一种基于分离式混合卷积的图像去噪稠密网络。本稠密网络由分离模块(SNM)和错误反馈模块(EFM)两个对称模块构成;两个模块的特征学习卷积层均采用混合卷积设计,混合卷积可以有效的捕捉图像的细小特征和平滑图像噪声;两个模块内部采用的残差学习及两个混合卷积层之间的跳连等机制,使本网络稠密且高效成为可能。其中,噪声图像与干净图像的差异首先由噪声分离模块(SNM)捕捉和训练;错误反馈模块(EFM)对训练得到的预干净图像进行图像细节恢复和进一步去除图像噪声。通过对多幅图像进行实验和评估显示,本文提出的稠密网络不但能够去除噪声,还能够保留清晰的图像细节;与目前先进的去噪方法相比,该网络的去噪性能突出。