在当今的信息化时代，信息的获得、处理和利用已经越来越重要了。人类所获取的信息中，视觉占了70%，因此对图像这种数据类型的获取，处理和利用十分重要。但是，由于成像设备，传输，人为等因素不可避免得会使拍摄得到的图像退化，失真，使最后得到的图像偏离了真实的图像场景。因此，图像复原问题具有重要的现实意义。而且在数字图像处理研究领域内图像复原属于最基本的课题之一。图像复原问题通常是在给出一个退化图像后，希望得到一个原始的真实的图像。整个退化过程可以通过一个退化模型来模拟，模型的输入是一个真实的图像，输出是一个退化图像，图像复原往往是一个反问题。当整个退化模型中的退化的过程并不太清晰的时候，人们往往采取盲复原技术，其中可能会估计出退化过程。但是当退化情况明了时，需要准确的进行图像复原就需要依靠这个准确的退化过程。然而仅仅依靠退化过程的信息，复原后的效果往往比较差。为了提高复原效果，我们需要利用到图像的先验知识，把先验知识运用到图像复原中，约束复原问题的解空间。学者们已经提出了多种图像的先验模型，用这些先验模型去解决图像去噪，图像去模糊，图像修补等问题。但是并没有研究表明已经提出的模型可以抓取到图像中全部的统计信息，所以构建合适准确的图像先验模型仍然是一个未解决的问题。一个比较精确的先验模型不仅可以用来解决这些基本的图像处理问题，还可以从指导人们去发现这些图像复原问题的极限，比如对于图像去噪问题，利用更加精确的先验知识可以研究图像去噪的极限效果。一方面人们继续研究新的图像先验模型，另一方面人们试图结合多种先验模型用到图像复原等问题上。但是当前结合多种先验模型的方式集中在正则化方法上，把先验知识作为一个正则项放入到目标函数中，以期望得到的解，也就是复原的图像质量更好。这种正则化方法，不仅数值计算复杂，而且事先需要构造目标函数，这并不是一个通用的框架。为了得到一个通用的结合多种先验模型的框架，本文根据机器学习中的模型组合的思路，我们把每个独立的先验模型或独立算法作为一个“分类器”，根据每个独立的复原结果，结合它们得到最终的复原结果。为了检验提出框架的有效性，本文对五种经典算法进行了实验，并做了一些对比实验，结果显示结合后的效果比单一模型或算法的效果要好。