数字图像作为信息获取、表达以及传播的一个主要媒介,在计算机视觉领域具有相当实用的价值,然而由于图像形成过程中受到各种因素的影响,导致拍摄形成的图像的质量较差,当低质量图像不能满足日常生产生活的需求时,就要求人们能够对低质量图像进行有效复原,随着数字图像处理领域基础知识的不断完善和深度学习的兴起,图像去模糊作为提高图像质量的一种有效方式,成为了数字图像处理领域的一个研究热点。本文针对基于数字图像基础理论及半监督学习的方法对图像去模糊展开研究。为了有效的复原低质量的模糊图像,本文从两点分别提出了一种能够有效地进行图像去模糊的方法:第一点,介绍了图像暗通道和亮通道理论以及基于暗通道先验(DCP)和亮通道先验(BCP)的图像去模糊算法。然后,针对单纯采用DCP和BCP进行图像去模糊的缺点即会在复原图像中引起一些明显的振铃效应以及图像通道缺乏对比度,结合暗通道和亮通道提出了 一种新的图像通道:Michelson通道,随后基于Michelson通道提出了Michelson通道先验,并结合Michelson通道的梯度信息来构建图像去模糊算法框架。在该算法中,通过增强和保持图像的暗和亮通道像素以及突出Michelson通道像素,基于Michelson通道先验的图像去模糊算法捕获到了更清晰的图像细节并进一步消除复原图像中的振铃效应。大量实验结果表明,所提出的方法更加稳健,并且在合成模糊图像和自然模糊图像上的去模糊性能都优于现有的图像去模糊方法。第二点,本文根据面向图像去模糊的卷积神经网络的优缺点,构建了基于小波变换和递归卷积神经网络的图像去模糊神经网络R-DbCNN。在R-DbCNN的模型训练中,本文利用小波变换分解和提取模糊图像的低频和高频信息,作为本文提出的去模糊方法的第一步。但是,当该过程突出显示图像特征的大致部分时,模糊图像将被过度平滑,从而使复原图像失真。同时,整体的小波变换将导致图像数据冗余度较高。因此,在第二步中,基于递归卷积神经网络,设计了一种面向图像去模糊的深度递归卷积神经网络(R-DbCNN),它可以消除或削弱由小波变换引起的高数据冗余度和图像平滑特性,进一步复原由于模糊导致的低质量图像。与传统的递归卷积神经网络相比,R-DbCNN在去模糊方面具有更快的训练速度。此后,建立了一种新的损失函数,平衡小波变换和递归卷积神经网络的去模糊特性,以获得所提方法的最佳去模糊效果。实验结果表明,该方法能够实现不同模糊类型的图像复原,如运动模糊,高斯模糊和散焦模糊。