本文研究了如何根据传统图像增强问题中的优化角度去设计深度模型解决各种图像问题,重点是从各种传统优化算法中去设计出高性能并有一定可解释性的神经网络结构来去帮助我们在深度网络中融合进传统模型的知识。最近专门针对图像处理问题所设计的卷积神经网络和其一系列改进在各种计算机视觉问题上取得了重大的成功。一系列基于经验设计的网络在各种低层次图像处理问题上也开始取得了成功的进展。但是这些网络由于它们大部分是靠经验去启发式地设计,而不像传统的优化问题能根据各种需求去主观地设计自己的模型,不太方便直观能根据现有的领域知识去帮助自己设计在特定任务上的深度模型,我们希望根据结合传统模型的各种优化技术去试图能根据一定的方法论去设计各种各样的深度模型。在本文中,分别提出了两种结合了优化方法和图像领域知识去设计符合需求的设计深度模型的网络模型。这两种模型都被用于去解决了真实世界的两种图像处理任务。第一种是基于统计先验的混合残差网络。在这个工作,我们将两个残差子网络串联得到了一个混合网络去解决图像超分辨率问题,两个子网络分别被看作是模拟传统最大后验概率模型中的先验和保真项两个部分。第二种方法是基于现在已有的各种基于去展开能量模型的深度模型,通常这一类问题的原始版本的各种优化解法是存在理论上的良好保证,但是深度模型通常被用作启发式地替换了迭代过程中的某一步,这样原先的理论良好保证就失去了,我们提出了一个带有收敛性保证地的一类模型,并证明其不仅有理论结果,并且在图像去模糊这样的复杂问题也有比较好的效果,并在实验部分给出了详实的论证。