本文研究一种新的基于非齐次高斯马尔可夫模型的盲目图象复原方法,这个新方法分为两部分。在第一部分,提出了一种改进的广义交叉验证模糊辨识方法。具体地说,把离散周期约当变换引进图象复原中,将降质图象的自回归平均滑动模型转化成相应的一维模型,使用一维的广义交叉验证模糊辨识方法,与二维情形比较,问题要更容易解决,而且计算量很小。然后可以利用离散周期约当逆变换将结果转化到正常的二维情形。由于自回归平均滑动模型参数中包含了模糊函数的参数,这就同时解决了模糊辨识问题。新方法的第二部分是一种基于非齐次高斯马尔可夫模型的反卷积方法。图象的非齐次高斯Markov随机场模型能够很好的反映图象包含各种性质不同的纹理的特点,所以反卷积方法能够在图象的不同区域有选择的去噪和解模糊。具体地说,在图象的均匀区域,反卷积方法更侧重于去噪;而在图象的平坦区域,它更侧重于图象中细节的恢复。由于相对于图象细节处的噪声,人眼对图象均匀区域中的噪声更敏感。所以,这个反卷积方法得到的结果比一般的反卷积方法好。另外,由于非齐次模型的参数很多,我们没有采用正常的基于吉布斯采样的估计方法,而是用一种近似的估计方法。这种方法计算简便,而且实验表明所得到的参数估计用于反卷积同样能得到很好的效果。仿真实验验证了这种新复原算法的有效性,并且还发现算法中参数是至关重要的。