中央空调在给人们带来舒适生活与便利的同时，也伴随着很多问题。一方面，中央空调的长期工作使得中央空调管道成为灰尘遍布的空间，细菌滋生的温床，如不及时清理，将会随着空调的运转遍布室内，给人体健康带来不利影响；而另一方面，狭小的空间环境为人工清理带来巨大不便。因此人们迫切需要一个风管清扫的帮手，从而加大了对风管清扫机器人的研究力度。风管清扫机器人的自主导航和控制依赖于对环境信息的感知和识别，而获得环境信息的最直观的方法就是通过视频图像，但是由于管道机器人自身的工作特点及工作环境的限制，获得的图像通常是不清晰的，其中主要的降质是运动模糊与雾霭。因此，从降质图像中最大化地复原图片信息，是风管清扫机器人高效地获取环境信息的首要前提。本文针对风管图像中存在的运动模糊与雾霭噪声干扰两个主要问题进行图像复原算法的研究。分别研究了神经网络图像复原和基于暗通道先验的图像去雾方法。在神经网络图像复原方法的研究方面，提出了一个改进的基于变分偏微分的霍普菲尔德神经网络图像复原模型。该模型应用了一个自适应的正则参数函数替代了原来的常值，同时利用霍普费尔德神经网络迭代算法对其进行优化。通过实验验证证实了这个改进的图像复原算法与传统的霍普菲尔德神经网络图像复原算法和原基于偏微分的霍普菲尔德神经网络算法相比，不仅具有很好的视觉效果，并且具有较高的信噪比。在基于暗通道先验的图像去雾方法研究方面，目前多数的基于单幅图像的雾图复原算法都是应用整体的大气光估计，这对室外环境复原效果很好。但是在管道环境中，光源与拍摄目标物体的距离很近时，大气光是不均匀的。针对管道图像的这一特点，本文提出了分区域大气光估计算法，在算法对比试验中，改进算法得到的结果图像更为清晰，RGB各通道的灰度直方图、均值，标准差，清晰度等指标都优于单一大气光雾图复原算法。