现实生活中,人类获取的信息有80％以上来自视觉,而图像正是能够给人们的视觉提供信息的最重要的途径之一。然而由于图像成像设备与场景之间的相对运动、散焦、噪声以及图像成像设备自身硬件的物理局限性等众多因素的存在,不可避免的会造成获取图像质量的下降和信息的丢失,而在几乎所有的领域中,都需要高质量的清晰图像。因此,为了能够从降质图像中复原出高质量的清晰图像,图像复原技术便孕育而生了。近几年,图像的去模糊技术已成为了人们研究的热点,并获得了前所未有的成功。在学术上,发表了大量的高水平论文,并呈逐年上升的趋势;在实际应用中,图像去模糊技术的应用更是已经扩展到了与图像相关的几乎所有领域,越来越多的国家级重点工程和攻关项目都已将图像去模糊技术作为了重点研究课题进行立项研究。可见,对图像去模糊技术的研究不仅具有极大的理论研究价值,还具有十分重要的实际工程意义。　　本论文以单幅模糊图像的去模糊问题为主要研究内容,在正则化方法的基础上,研究了单幅模糊图像的非盲去模糊方法和盲去模糊方法。针对图像的非盲去模糊方法,本论文研究了全变差模型和非局部的全变差模型,提出了一种结合全变差模型和非局部全变差模型的非盲的图像去模糊方法。在图像的盲去模糊方面,以模糊退化函数为切入点,首先探讨了运动模糊退化函数的内在特性,并根据该特性,提出了一种能够适用于多种模糊情况的双重正则化混合约束的图像盲去模糊方法;然后,对实际应用中存在的严重运动模糊图像进行了研究,并利用一种图像的局部结构提取策略(Local Structure Extraction Scheme:LSES)和shock滤波器的不变特性,提出了一种多正则化的混合约束模型,较好地实现了对实际严重运动模糊图像的盲去模糊。本论文主要开展了如下的创新性工作:　　在图像的非盲去模糊方面,本论文分析了全变差模型和非局部全变差模型各自的优缺点,在此基础上,提出了一种结合全变差模型和非局部全变差模型的模糊图像非盲去模糊方法。在本方法中,首先利用一种全局的梯度提取策略(Global Gradient Extraction Scheme:GGES)将图像的边缘与纹理细节进行有效的分离;然后,对图像的边缘进行全变差的正则化约束,同时对图像的纹理细节进行非局部的全变差正则化约束;最后设计了一种结合分裂布雷格曼(Split Bregman:SB)和布雷格曼操作符分裂(Bregmanized Operator Splitting:BOS)的最优化迭代策略对提出的非盲复原模型进行最优化求解。大量的实验结果证明,本方法能够在很好地保护复原图像边缘的同时更好地复原出图像的纹理细节。　　在图像的盲去模糊方面,本论文从引起图像模糊的核心问题,即模糊退化函数为切入点,探讨了其中一种极具代表性的模糊退化函数:运动模糊退化函数的内在特性。利用该特性,对模糊退化函数进行了稀疏性和平滑性的双重正则化约束,提出了一种能够适用于多种模糊情况的模糊图像盲复原模型。在对模型的最优化求解阶段,提出了一种基于Sherman-Morrison-Woodury(SMW)矩阵逆变换的改进的变量分裂算法对提出的盲复原模型进行最优化求解。大量的实验结果表明,提出的方法能够很好地去除多种不同类型的模糊。同时,无论是从主观的视觉效果还是从客观的评价指标,都证明了提出的方法能够获得更好的复原效果。　　针对实际应用中存在的严重运动模糊的问题,本论文提出了一种严重运动模糊图像的盲去模糊方法。由于在严重运动模糊的图像中存在着危害模糊退化函数估计的“有害成分”,导致了传统的盲复原方法对于实际严重运动模糊图像的盲去模糊无能为力。因此,本论文首先利用LSES,尽可能彻底的将严重运动模糊图像中的“有害成分”去除掉,仅保留图像中的有利成分。然后将保留的有利成分与先前研究的运动模糊退化函数的内在特性相结合,实现对实际严重运动模糊退化函数的准确估计。在图像的复原阶段,深入研究了图像中各种不同成分各自的内在特性,并根据它们各自的特性,同时结合shock滤波器的不变特性,提出了一种多正则化的混合约束模型对复原图像进行正则化约束。大量的实验证明,该方法不仅能够很好地去除实际应用中存在的严重运动模糊,而且还能够在获得清晰锐化图像的同时,有效地抑制现有方法中存在的振铃瑕疵,获得更高质量的复原图像。