随着互联网和数字多媒体技术的兴起和发展,人们对于图像质量的要求越来越高。质量高的图像包含更丰富的内容和信息,甚至给观看者以美的享受,而质量差的图像不仅会丢失很多信息,有时还会给观看者带来不舒适感。但是,数字图像在采集、压缩、传输以及显示的过程中,由于外界环境的干扰、成像设备的自身局限性以及人为操作不当等诸多因素,不可避免地会出现图像退化现象。因此,如何从已有的退化图像中采用软件的手段来消除噪声、有效去除模糊、提高分辨率以及修复缺失等,从而得到高质量图像,具有十分高的理论研究和实际应用价值,图像复原技术应运而生。本文以基于图像稀疏性先验的模型和基于残差学习的卷积神经网络为出发点,围绕图像去噪、图像去模糊和超分辨率重建这三类经典图像复原应用开展了深入的研究。首先,本文简单介绍和总结了图像复原的相关理论知识,为后续工作的开展奠定了坚实的理论基础。然后,本文以基于图像稀疏性先验的模型为出发点,针对欧氏距离作为图像块相似度衡量指标存在的缺陷,提出了两种新型的图像块相似度衡量指标,分别为PCA(Principal Component Analysis)-子空间欧氏距离和结构相似性距离。另外,基于稀疏表示的图像复原一般仅仅考虑图像的局部稀疏性而忽略了图像的非局部自相似性,从而导致由退化图像复原出的图像较大地偏离了原始清晰图像,图像复原效果不理想。因此,本文将图像的局部稀疏性和非局部自相似性相结合,并将两种新型的图像块相似度衡量指标应用到字典学习和稀疏编码系数估计中,提出了一种非局部稀疏表示正则模型NSRR。在三类经典图像复原任务上,大量的实验结果表明,本文提出的算法不仅在客观上取得了较高的评价指标值,而且获得的复原图像与原始图像的主观一致性程度较高。最后,本文以目前在图像复原领域较为经典的基于残差学习的卷积神经网络模型DnCNN(Denoising Convolutional Neural Network)为基准网络,针对DnCNN存在的缺陷,提出了解决缺陷的三项关键技术:空间相关的可学习型激活单元、格式化残差层和跨级损失函数。在此基础上,给出了最终的图像复原网络模型upDnCNN,并通过训练一系列的模型来验证其性能。在三类经典图像复原任务上,大量的实验结果表明,本文提出的算法不仅在客观上取得了较高的评价指标值,而且获得的复原图像与原始图像的主观一致性程度较高。