图像复原和重建是一个基础性的、广泛研究的领域,旨在消除或者减轻图像质量的退化。作为一个欠定的逆问题,虽然就如何挖掘先验信息发展了许多优秀的算法,但大部分算法仍有一定的局限性,如只适用于单一的特定复原任务,迭代时间长或结果不稳定等。随着深度学习领域日益深入的探索,卷积神经网络以其强大的特征学习和特征表达能力博得了国内外的广泛关注,并在图像恢复和重建的研究过程中得到了有效应用。本论文中,我们在卷积神经网络和图像先验信息的核心思想指导下研究了图像去模糊、压缩感知重建和磁共振成像(Magnetic Resonance Imaging,MRI)等不同的图像恢复和重建任务,提出了一种通用型的新算法用于改善大部分算法存在的局限性,使训练模型可以适用于多任务场景。如在图像去模糊任务中,模型适用于不同程度的模糊图像恢复;在压缩感知重建和磁共振图像图像中,适用于不同的欠采样模式和采样率。主要研究内容包括:(1)通过多噪声实现和多通道网络学习扩展深度均值偏移先验(Deep mean-shift priors,DMSP),提出了一种增强的、更稳健的网络引导迭代方法。具体地,通过学习训练一个多噪声模型的DMSP深度学习网络,从多通道图像中提取有价值的高维先验知识,然后采用变量增强技术将高维网络先验信息融合到迭代重构过程中,用近邻梯度法和交替迭代优化方法来处理复原过程。通过一系列实验验证了该算法在图像去模糊和压缩感知重建方面的优越性。(2)实现基于多噪声多通道网络引导的先验信息学习模型的磁共振成像重建。保留应用于图像去模糊和压缩感知重建上的模型,在训练过程中分别采用了颅脑图像数据集和膝盖图像数据集两组不同的医学图像训练数据集,通过模型本身强大的表示能力使其能在训练数据较少和较为容易获取的数据集上实现更加精确的图像重建效果。本课题提出的多通道多模型先验信息网络一在不同的图像恢复任务中进行了评估,并与各种最新方法进行了比较。实验结果表明,在图像去模糊、压缩感知重建及磁共振图像重建等应用场景下,主观视觉和客观指标PSNR、SSIM及HFEN均有明显提升。即使在高模糊核、高欠采样率下也能提供令人信服的清晰图像。综上所述,本文基于多通道多模型先验信息网络以变量增强技术将高维网络先验信息融合到迭代重构过程中为主要核心点,用近邻梯度法和交替迭代优化方法来处理重建过程的MEDMSPRec算法,有效弥补了现存方法的不足。该算法在图像去模糊,压缩感知图像重建,磁共振成像重建均取得了较好的效果,为探索高维网络诱导先验信息用于图像复原和重建开辟了一条新的途径。