图像分类是计算机视觉领域中非常经典的任务,在图像检索、医疗诊断、智能安防、自动驾驶等领域具有重要的理论意义和实用价值。近年来,由于深度卷积神经网络的应用,图像分类的性能取得了质的提升。但是,目前良好的分类性能大都是在清晰图像上获得的。然而,在许多实际应用中,比如自动驾驶、视频监控、可穿戴相机和医疗成像,获得的图像并不总是清晰的,相反,它们往往包含各种各样的退化。因此,对低质图像的研究是亟待解决并且具有实际意义的问题。目前,图像复原和图像分类任务基本上是单独进行研究,现有的低质图像复原方法一般只考虑视觉效果,很少考虑该如何服务于图像分类任务。目前的图像分类方法大都是针对清晰图像,很少针对现实生活中更加常见的低质图像。本文以低质图像的复原与分类为主要研究对象,把图像复原与图像分类任务联系起来,使得两者之间相互促进,即图像复原任务能更好地服务于图像分类任务,图像分类任务能引导图像复原任务,对低质图像复原与分类具有非常重要的启发意义,有助于促进图像复原和图像分类领域的发展。总之,该研究不仅具有非常重要的理论意义,而且具有非常广泛的实用价值。本文的创新工作主要包括:（1）针对清晰图像上获得的好的分类性能在低质图像上是否能保持这一问题,本文分析了图像质量下降对基于卷积神经网络的图像分类性能的影响。具体来说,首先,研究了九种不同类型的合成低质图像以及从网上收集的真实雾霾图像对基于卷积神经网络的图像分类性能的影响,实验结果表明,随着图像质量的下降,图像分类性能急剧下降。然后,提出了提高低质图像分类性能的方法,一是通过在相同低质类型相同低质水平的低质图像上进行训练和测试,二是混合相同低质类型不同低质水平的低质图像,组成混合的训练集进行训练。虽然分类性能有所提高,但是和清晰图像的分类性能相比还存在一定的差距。最后,从特征层面分析了低质图像分类性能比较低的原因可能是图像质量的下降,导致图像模糊、颜色扭曲等。（2）针对应用图像复原预处理,图像分类性能是否能显著提高这一问题,本文研究了图像复原对基于卷积神经网络的图像分类的影响。具体来说,以图像去雾霾和图像去运动模糊为例,首先,利用现有的不同图像复原方法,来复原对应类型的低质图像;然后,分析图像复原对基于卷积神经网络的图像分类的影响;最后,分析了图像复原和图像分类的相关性。研究结果表明图像复原对提高后续图像分类任务性能的帮助不大。原因是现有的大多数图像复原方法只是处理输入的图像,而没有为图像引入新的信息,并且图像复原过程中可能导致图像的部分信息丢失、图像的结构被破坏等,因此对分类性能帮助不大。（3）现有的低质图像复原方法往往只考虑视觉效果,而忽略了后续的高层视觉任务,例如图像分类,并且人工标注大量的带类别标签的数据既昂贵又不切实际。为此,本文提出了一种自监督图像分类任务驱动下的图像复原方法。具体来说,首先,利用像素级的均方误差损失函数训练图像复原网络。其次,利用对图像旋转角度进行分类来学习有利于识别图像的特征,来进一步帮助图像复原,进而使得复原后的图像能够有助于图像分类。为此,引入图像旋转损失函数,即复原后图像和清晰图像的旋转角度特征之间的距离,来约束图像复原网络。最后,同时利用上述两种损失函数对图像复原网络进行训练,来进一步提高图像复原的性能。在雾霾图像、低分辨率图像和运动模糊图像上的实验结果表明了该方法的有效性,有效地解决了现有图像复原方法的不足。（4）基于清晰图像训练的分类模型通常包含丰富的有用信息,但是现有的低质图像分类方法忽略了这些有用信息,导致低质图像与清晰图像之间的分类性能差距比较大,进而使得基于低质图像的类别分布、特征分布和视觉注意通常与清晰图像的相关特性不一致。为此,本文提出了一种端到端的一致性引导网络用于低质图像分类。具体来说,首先,提出了类别一致性损失来指导模型学习更加符合清晰图像的类别分布。其次,提出了语义一致性损失来指导模型学习更加健壮的特征表示,使其与清晰图像的语义信息更加一致。最后,提出了视觉注意对齐损失,可以对清晰图像和低质图像的语义信息区域进行对齐,从而提高低质图像的分类性能。该方法具有通用性,适用于各种类型的低质图像,在六种低质图像上的实验结果表明了该方法的有效性。