将退化图像恢复成清晰图像的图像复原一直是数字图像领域的研究热点。图像去模糊和图像超分辨率是图像复原中的经典问题,高效高质量的图像复原有助于人们获得更丰富的数据信息,在图像识别、图像传输以及视频监控等领域发挥着巨大作用。传统的算法计算量大且生成图像质量不高,随着深度学习的发展,基于CNN的算法由于其能高效高质量地复原图像而被广泛研究;近几年由于GAN在图像细节生成能力上的优越性开始引起研究者们的注意,并被应用在图像去模糊和图像超分辨率问题上,如何提升复原图像的质量以满足实际的应用是目前研究的重点。论文围绕基于生成对抗网络的图像去模糊和图像超分辨率算法进行了研究。主要工作和创新点如下:(1)提出了一种新的基于生成对抗网络的图像去模糊算法,解决了当前基于生成对抗网络的去模糊算法中生成图像质量不高且存在棋盘格效应的问题。本文提出的算法采用VGG与DenseNet网络提取的深度特征来计算感知损失,提升了网络的边缘细节表达能力,消除了棋盘格效应;本文提出的算法在深度网络中加入了亚像素卷积作为上采样模块以增强图像特征的复用;并在损失函数中加入了像素损失,提升了生成图像质量。GOPRO数据集上的测试结果表明,本文所提出的算法与目前性能优异的DeblurGAN相比在主观质量和客观的PSNR、SSIM指标上都有提升。(2)提出了一种新的基于生成对抗网络的图像超分辨率算法,解决了当前基于生成对抗网络的超分辨率算法存在的生成图像质量不高且对重复性的高频细节不敏感问题。在提出的算法中,加入了不同空洞率的密集连接空洞卷积网络模块,增强了网络在不同尺度层级下图像特征的生成能力;在网络中引入通道注意力机制对生成的图像特征进行自适应地选择,提升了网络的生成图像质量。经过在Set5、Set14、BSD100以及Urban100经典数据集上进行实验,所提算法与ESRGAN相比在PSNR和SSIM指标上都有提升。(3)设计并实现了一个基于生成对抗网络的图像复原系统。在算法研究基础上,论文设计实现了一套图像复原系统。系统由安卓前端和基于LAMP架构的后台系统组成。安卓客户端通过HTTP协议与后台系统进行信息交互,用户能随时通过安卓手机方便地对退化图像进行复原处理。该系统的设计减轻了安卓端的计算压力,同时保证了图像复原的效果。