图像作为信息获取、保存和传递的重要载体之一,在现代社会的各个领域中都起到不可替代的作用。然而,在成像过程中由于噪声、散焦、相对位移或其他因素的影响,导致图像部分信息缺失,形成降质图像。众所周知,图像盲去模糊是一个高度不适定问题,需要借助合理的先验知识约束盲去模糊模型,从而获得清晰图像的最优解。本文以鉴别性先验理论为切入点,在传统模型和深度学习框架下分别提出新的图像盲去模糊算法,具体工作如下:1、本文提出了一种具有鉴别性和互补平滑特性的再降势能函数（re-descending potential,RDP）,构建了新的基于L0-RDP的盲去模糊方法模型。首先,与先前的盲去模糊正则项相比,本文的RDP鉴别性先验可以轻松地实现清晰图像和模糊图像的区分,驱动去模糊最小化问题更倾向于清晰图像。更重要的是,基于图像梯度的L0正则项对图像部分边缘信息有损害,RDP鉴别性先验能够在区分图像边缘陡度的情况下追求更精确的边缘信息作为模糊核估计的核心线索,提高了模糊核估计的精确度。本文通过大量实验证明了该模型可以有效地估计出模糊核,且复原的图像清晰度更高,边缘更细腻,并且算法的鲁棒性强。2、目前主流的基于端到端的图像盲去模糊方法易受训练数据集的限制,虽然Self Deblur方法以先进的自监督学习特性解决了数据集的依赖问题,但该方法显然忽略了盲去模糊先验知识的挖掘和利用。为此,本文尝试将传统模型中的RDP鉴别性先验融入到Self Deblur网络框架中,提出了Self Deblur+,实现了自监督学习与传统方法的有效结合。此外,鉴于模糊核信息量少、尺寸小的特点,本文又对Self Deblur的全连接网络结构做了进一步调整,保证模糊核的连续性。在合成模糊图像和真实模糊图像上,实验证明本文提出的Self Deblur+方法相较Self Deblur方法具有更强的去模糊性能。3、现今,绝大多数的盲去模糊工作受模型本身或训练集的影响很难直接用于盲超分辨率任务上。本文基于Self Deblur+模型的自监督学习方式以及强大的去模糊性能,在不改变网络框架的基础上尝试将Self Deblur+模型直接应用到盲超分辨率问题上,实现盲去模糊和盲超分辨率两种模型的有效统一。在仿真数据集上,实验证明Self Deblur+相较于最新提出的DIP-FKP方法具有更强的盲超分重建性能。