成像设备的抖动,元器件的噪声和图像编解码等都会导致图像退化。图像复原则是处理退化的图像,使其与原始图像更加接近。传统的图像复原方案有很多缺点,如计算时间过长,鲁棒性较差等等。近几年,基于神经网络的复原方法逐渐被提出,这种算法可以充分获取图像的先验知识,有效地提高图像处理速度,因此受到学者的广泛关注。然而现有的算法大多解决的是比较单一的图像降质问题。如在图像去模糊方面,仅解决人为制造的模糊核,而这类模糊核相对于真实图片的模糊核还是有较大的差距;在图像超分辨率重建方面,大多仅解决清晰图像的重建问题,并未考虑包含其他降质问题的图像重建。因此本文针对更复杂的图像复原问题展开研究。首先本文研究了自然模糊图片的图像复原问题。为了更好的贴近现实情况,本文采用了GOPRO＿Large数据集进行训练,该数据集包含了更真实的运动模糊图片。在网络设计方面,将密集连接网络（Dense Connected Convolutional Network,Densenets）应用在了图像去模糊领域,使网络能充分利用中间层的有用信息;基于感知损失（Perceptual Loss）,设计了适合去模糊应用的损失优化函数,从而使生成图片和清晰图片在内容上更能保持一致性;此外该算法还采用了生成对抗网络（Generative Adversarial Network,GAN）,使生成的图片在视觉上与真实图片更加接近。本文通过测试生成图片与清晰图片之间的PSNR（Peak Signal to Noise Ratio）,SSIM（Structural Similarity）和算法处理时间验证了算法的性能。实验结果表明该算法在GOPRO＿Large测试集和Kohler测试集上都能取得良好的复原效果,能有效恢复出因运动模糊而丢失的细节信息,鲁棒性强,并且算法的处理时间也明显短于对比算法。图片除了存在模糊问题外,还会有多种原因导致图像清晰度降低,细节信息丢失。因此当图片既有模糊又有清晰度低的问题时,就需要去模糊和超分辨率重建算法来联合复原图像。然而将两种算法简单地串联,不仅效率低下,而且复原效果差。因此解决模糊图像的超分辨率重建问题也十分重要。针对这类问题,本文将GOPRO＿Large数据集中清晰图片和模糊图片对应位置进行降采样,将模糊低分辨率图片,清晰低分辨率图片和清晰高分辨率图片组成一组,得到一个全新的数据集进行实验。为了避免归一化对网络功能的限制和伪像的产生,该算法未使用任何形式的归一化;为了使网络能在增加深度的情况下避免参数的大幅增加,本文将密集连接网络和残差网络相结合,组成残差密集网络;为了使网络能有针对的提取去模糊特征和超分辨率重建的特征,本文采用了双分支结构,并联合去模糊损失和超分辨率重建损失优化网络,并通过与相关算法对比复原图像与清晰图像之间的PSNR和SSIM,验证了本文算法的性能和有效性。