现在,我们已然步入一个信息时代,图像处理的应用也已经非常普遍了.而图像盲恢复是图像处理中很重要的一个应用,它的目的是：在退化过程的先验信息不完整的前提下,通过相关技术从退化图像中尽可能恢复出原来的图像.其一般步骤为：首先建立相关的数学模型用来描述退化过程,然后再求解该逆问题,从而获得最接近原始图像的合理估计,最后应用相关评判标准判别估计结果的好坏.这一相关过程属于二维反卷积问题,从数学角度来讲就是求解反问题.然而反问题又常常具有不适定性,通常添加正则项可以有效的避免这一问题.本文的目的是提出一个改进的模型在可以充分去除噪音及模糊的同时也可以较好地保持图像边缘的特征信息.基于经典的Rudin-Osher-Fatemi (ROF)模型,本文提出了改进的全变分(MTV)模型,该模型的正则项是在ROF模型的基础上添加了光滑项‖▽u‖22可以有效避免图像出现阶梯效应.接着又对其进行了推广,提出推广的改进全变分(G-MTV)模型,该模型的保真项是L1范数和L2范数的结合,从而可以有效的去除大噪音和混合噪音.在算法上,鉴于分裂Bregman算法具有良好的稳定性及快速收敛的特性,本文应用此算法进行了相关的理论推导和仿真分析.此外,由于图像盲恢复问题中的点扩散函数是未知的或只有很少的一部分先验知识,我们需要同时得到近似的点扩散函数及其原始图像,这一过程很耗时.为提高运算速度,迭代过程应用了快速傅里叶变换方法.在数值实验中,针对不同的退化图像,模糊类型及噪音类型,我们通过MATLAB软件编程进行了数值仿真,并将经典模型,MTV模型和G-MTV模型进行了比较.实验结果证明了MTV模型和G-MTV模型的有效性,并得到了估计的点扩散函数.