在采集图像的过程中,受到各种因素的干扰,导致图像质量下降的这种现象称为图像退化;如果存在多种类型的降质因素,如噪声、畸变、离焦、抖动等,这时称为多重退化。图像复原是根据退化过程的先验知识,从退化图像中恢复出图像本来面貌的技术,在卫星遥感、公共安防、生物医学等领域被广泛应用。近年来深度学习方法在图像复原任务中表现突出,但大多仅考虑单一类型的退化问题。因此,本文重点用深度学习方法解决不同类型的多重退化图像复原。本文主要工作总结如下:(1)针对模糊、低分辨率等多重退化复原需求,使用级联结构网络。这里重点设计了一个端到端的多尺度编解码网络(Multi-scale Encoder-Decoder Network,MED-Net)。首先,提出双路残差块(TRB)作为所提编解码器的重要组成模块,该模块两路分支使用不同的卷积层以在不同尺度检测图像特征,并将两路特征拼接,使后面层共享两路分支的信息;其次,在编码、解码的模块端之间添加跳跃连接,防止梯度消失,加速信息流动;最后,结合细节学习方法对复原结果进行了优化。通过在公共测试集上的实验验证,MED-Net对传统算法难以解决的非均匀模糊图像复原任务比较有效;与近年提出的联合复原模糊、低分辨率多重退化先进算法相比,本文的级联网络在不同评价指标上均有提升。(2)针对大多数场景中多种未知降质因素造成的图像退化复原问题,提出一个多级注意力网络(Multi-Level Attention Network,MLA-Net)。首先,在前人的启发下,设计残差分支和信息蒸馏分支,分别提取图像的高维和低维特征;然后,在MLA-Net中使用门模块自适应融合多级特征;最后,在网络的输出端插入改进的多通道注意力选择模块(MASM),让网络学习更多与清晰结果相关的特征。在实验中,对包含噪声、模糊、压缩伪影三种退化因素的图像进行了测试,在退化程度不同的测试集上,MLA-Net复原结果的峰值信噪比和结构相似度均优于其他先进算法;在视觉感官上,MLA-Net复原图像的纹理更清晰,与原图像更接近;此外,本文还选取了部分数据集以外的退化图像进行测试,也得到较好的复原结果。综上,将本文MED-Net作为级联网络关键部分,使级联网络复原非均匀模糊、低分辨率多重退化非常有效;本文的单个网络MLA-Net能较好的处理噪声、模糊、压缩伪影等多种组合因素引起的多重退化情况。