在荧光显微成像中，为了避免荧光分子失活并长时间观察细胞活动，通常需要采用低剂量荧光染料，此时相机捕捉到的图像也会伴随着明显的噪声。此外采用传统方式所获取的点扩散函数(Point Spread Function，PSF)可能会存在误差，并不能直接用于解卷积去模糊。本文研究在未知准确的PSF前提下，基于正则化的半盲复原以及基于深度学习的图像盲复原方法来去除图像中的噪声和模糊，并最终成功应用于宽场和结构光照明显微(Structured Illumination Microscopy，SIM)成像中。
　　在宽场照明条件下，点源成像实验和参数模型生成是两种获取PSF的常规方法。即使采用这些方法获取的PSF存在误差时，在本文定义的误差范围内也是可以作为先验信息而被加以利用。本文首先提出了基于贝叶斯理论的自适应双正则化方法，利用上述生成的可能不准确的PSF来构造半盲复原模型中的先验约束，同时通过对该正则化模型引入自适应调节机制来调节先验分布。相比于其它复原方法，该方法在重建出更加准确的PSF以及更高质量图像的同时，整个模型还具有更强的鲁棒性。
　　SIM成像使用了PSF的傅里叶变换形式，即光学传递函数(Optical Transfer Function，OTF)。OTF影响了SIM解耦所分离出的各个频带成分，因此保障分离频带信息的准确性也十分重要。本文提出了同样适用于SIM重建过程的自适应双正则半盲复原方法，使其在未知精确OTF的情况下也能很好地实现图像超分辨任务。
　　由于深度学习方法在计算机视觉领域的取得了显著的效果，本文还提出了针对图像高频成分学习的生成对抗深度学习网络。传统基于端到端的深度学习图像复原方法难以学习多种退化图像与清晰图像的映射关系，因此导致较差的图像复原效果。本文通过对图像高频信息的学习误差给与更大的惩罚，相比于传统的深度学习方法能够复原出更加准确的图像细节，在无需借助PSF条件下大幅提升复原图像的质量。
　　通过在不同应用场景的数据集上进行实验分析，本文所提出的正则化以及深度学习方法均取得了更好的表现，说明了所提出方法的有效性。