随着技术进步和消费者对大屏手机需求的增加,在手机设备有限的空间下提供更大尺寸的屏幕（即更高的屏占比）成为近年来的热点问题。一方面,水滴屏、挖孔屏等方案通过异形屏减少前置相机的空间占用,但其显示区域不完整,导致视觉效果较差,且需要系统、软件对异形屏进行显示适配;另一方面,折叠屏、弹出式前置相机、翻转式前置相机等方案通过不同的机械结构实现了完整的显示区域,然而其机械结构空间占用较大且较易损坏。因而,屏下相机（Under-Display Camera,UDC）系统作为一种新兴的全面屏解决方案,逐渐受到手机厂商的关注。由于UDC系统将相机隐藏在屏幕下方,屏幕电子元件的间隙通常会导致较为严重的衍射现象,导致UDC成像质量较差。现有研究工作基于一般的图像复原问题,设计了合理的数据收集方式,并进行深度模型的训练,得到了较好的UDC图像复原效果。然而,这些方法并未针对屏下相机系统的点扩散函数进行针对性模型设计,因此在解决屏下相机系统的图像退化问题上仍有较大的进步空间。本课题的主要研究内容如下:首先,通过扩大模型感受野提升UDC系统图像复原的性能。本课题在现有工作的模型框架下进行了网络结构结构调整,为后续的改进提供了一个更有效和稳定的基础。进而,通过图像高低频信息的分解,对UDC图像的高频与低频特征分别处理,提升UDC图像复原结果的细节效果。由于不同位置的模糊核在具有差异的同时具备一定的关联特性,本课题进一步将传统的卷积核预测网络分成两个分支,分别用于估计所有位置模糊核的公共基底和每个位置的系数,并通过线性组合得到预测模糊核。通过上述方案,模型以更低的计算量和参数量实现了感受野的扩大,达到了更高的UDC图像复原性能。其次,维纳滤波在图像非盲去模糊问题中已经得到了有效的应用,在基于特征图的维纳滤波反卷积方案中实现了较好的全局均匀运动去模糊效果。本课题在假设UDC系统点扩散函数已知的前提下,将维纳滤波引入UDC图像复原问题,为模型提供额外的先验知识,减轻卷积核预测网络分支的负担。通过维纳滤波与局部模糊核预测,分别实现全局粗粒度和局部细粒度的图像复原。最后,针对UDC系统点扩散函数难以获取的现象,本课题提出无需人工标注点扩散函数的训练策略,将模型推广到UDC图像的盲复原任务。本课题通过对两个现有真实数据集的退化特点和退化成因进行分析,完善了模型的网络结构。同时提出以恒等映射初始化预测模糊核,并通过数据驱动的方式进行模糊核的更新。此外,针对模型的具体实现方式,本课题讨论了多颜色通道分通道处理与混合通道处理方案的合理性,并通过实验进行验证。通过峰值信噪比和结构相似度的定量比较,课题取得了高于主流方法的UDC图像复原性能,同时在视觉效果上明显优于主流方法。