高质量图像具有更高的像素密度、更清晰的图像内容和更丰富的纹理细节,从而给人更好的视觉体验。但受气候条件、采集设备、采集方法、储存和传输等多种客观条件的影响,获得高质量图像并非易事。因此,一种能够将低质量图像恢复为高质量图像的复原技术至关重要。然而,图像退化过程是不可逆的,作为一种不适定问题,想要重建高质量的复原图像是一个极具挑战的任务。近年来,深度学习极大的促进了图像复原领域的发展。但这类方法往往通过构建庞大且复杂的网络模型来获得较高质量的图像,这不可避免的会消耗更多的计算资源和花费更多的执行时间,也极大的限制了它们的应用场景。为了解决这一问题,本文从特征增强和正则项约束的角度出发,通过充分利用待复原图像的潜在特征、额外先验和外部知识来研究高效且准确的图像复原方法,并以单图像超分辨率（Single Image Super Resolution,SISR）和单图像去噪（Single Image Denoising,SID）任务为切入点来验证提出方法的有效性。简而言之,本文提出三套自然图像复原方法,共涉及六种模型。具体研究内容及贡献如下:1.提出了基于多尺度特征增强的图像复原方方法。图像在不同尺度空间下会表现出不同的特征。基于这一发现,本文率先提出了利用图像多尺度特征进行图像复原的方法。具体而言,我们提出了两种多尺度特征提取模块,并根据它们构建了两个基于多尺度特征增强的图像复原模型:多尺度残差网络（Multi-scale Residual Network,MSRN）和多尺度密集交叉网络（Multi-scale Dense Cross Network,MDCN）。这两个模型实现了多尺度图像特征的提取、交互和融合,并分别在SISR和SID任务中取得了卓越的性能。通过充分挖掘和利用图像的多尺度特征,网络能够从几何特征中学习到增强图像的模式,从而使得能够构建出高效且准确的图像复原模型。2.提出了基于边缘先验指导导的图像复原方方法。充分利用图像先验对图像复原至关重要。在众多先验中,边缘先验是最有效的先验之一。然而,现有边缘检测算子对噪声极其敏感且通用性差。因此,本文提出了第一个用于直接从退化图像上预测和重建图像软边缘的深度边缘重建网络（Edge-Net）。同时,本文提出了两个基于边缘先验指导的图像复原模型:软边缘辅助网络（Soft-edge Assisted Network,Sea Net）和多层次边缘特征指导网络（Multi-level Edge Feature Guided Network,MLEFGN）。这两个模型利用Edge-Net提供的软边缘先验来指导图像复原并分别在SISR和SID任务中取得了卓越的性能。通过充分利用边缘先验,能够进一步刻画重建图像的边缘,约束解空间,从而使得能够构建出高效且准确的图像复原模型。3.提出了基于知识蒸馏的图像复原方方法。受退化图像和模型结构自身的限制,要使得轻量级模型重建出高质量的复原图像依然极具挑战。因此,我们引入知识蒸馏机制,通过利用网络自身深层次的潜在知识和外部异构模型所提供的额外知识以实现特征和先验的自动学习,从而让原本的轻量级模型性能进一步提升。为了实现这一目标,本文提出了两个基于知识蒸馏的图像复原模型:渐进式自蒸馏网络（Progressive Self-Distillation Network,PSDNet）和异构知识蒸馏网络（Heterogeneous Knowledge Distillation Network,HKDNet）。这两个模型通过引入外部知识来实现性能的进一步提升并分别在SISR和SID任务中取得了卓越的性能。通过引入知识蒸馏策略,能够让模型自动学习到更加丰富的信息并进一步约束解空间,从而使得能够构建出高效且轻量的图像复原模型。