成像与传输系统中采集到的图像会受到噪声污染、湍流作用、运动模糊、曝光不均等多种因素的干扰，从而造成图像的降质或退化，除了对前端光电传感器的改善以外，往往需要在后端利用像清晰化技术进行恢复。随着对恢复精度与速度等性能需求的提升，亟需在传统清晰化方法的基础上，寻求新的快速与效果优良的算法，同时借助性能优异且便携式的硬件平台载体进行快速开发。而GPU具有比传统DSP与FPGA平台低功耗、高性价比的优势，并且随着GPU的通用计算平台的推出，更加便于相关人员进行高性能计算的开发。首先，本文仿真并对比分析了一系列传统增强去噪方法，并对模型化的Retinex算法和暗通道优先算法也进行了仿真分析。实验结果表明，大部分传统增强方法计算复杂度较高；局部直方图均衡算法存在块状效应；同态滤波算法自适应能力不够好；NLM算法与小波算法去噪效果较好，且具有并行性；Retinex算法与暗通道优先算法去雾与色彩保真较好，但对多景深图像浓雾图像效果不够理想。然后，针对更有意义的复原方法中的盲复原方法，如IBD算法、NAS-RIF算法、SA算法、Richardson-Lucy算法、G类快速算法，主要从恢复的可靠性、鲁棒性以及实时性等角度进行仿真分析与论证。实验结果表明，传统迭代盲复原算法复杂度高、稳定性差；APEX算法与中频盲复原算法迭代少且复原清晰，耗时较短，且中频盲复原算法具有并行性。最后，结合CUDA的异构模式的底层架构、存储模型以及优化方法，提出了改进后的NLM并行算法以及中频域G类盲复原并行算法，在GPU平台上实现。实验结果表明，异构平台对高数据量的图像处理加速比更大，并通过搭建像清晰化系统，控制图像采集卡与采集通道，与CPU-GPU异构平台进行联合开发，实现对视频数据的高速清晰化处理。