数字图像处理不仅能提高图像质量从而满足人们视觉上的要求，而且在众多的科学和工程领域如气象预报、工业生产、遥感技术、生物医学和通信工程上有着重大应用。本文主要研究的问题是带模糊受高脉冲噪音污染的图像恢复问题。现有去除脉冲噪音的模型虽然有不少，尤其是以Rudin-Osher-Fatemi（ROF）模型为基础演变的各类模型，它们优异的保边缘性仍是其他模型不可比拟的。在现有的方法里，Fast Total Variation Deconvolution（FTVd）方法、Two-Phase方法和Total Variation-?0（TVL0）模型都是去除脉冲噪音的有效方法。但面对高脉冲噪音，尤其是70％以上的随机值噪音或者90%以上的椒盐噪音的图像恢复问题，恢复效果都不理想。针对这个问题，基于Minimax Concave Penalty（MCP）函数，本文提出了一种新的图像恢复模型，称之为TV-MC P模型，并给出了该模型一阶近似逼近的 ADMM算法，从理论上证明了模型和算法的全局收敛性。通过对多组图像在不同噪音污染水平下的数值仿真实验，验证了本文所提出的TV-MCP模型的有效性，实验结果显示，TV-MCP模型比 Total Variation-?1（TVL1）模型能够取得更好的恢复效果，尤其是在高噪音污染的图像恢复问题上， TV-MCP恢复图像的Signal Noise Ratio（SNR）值可以达到TVL1图像的两倍。所取得的主要研究结果和创新点有：　　一是从去除高脉冲噪音的角度出发，基于总变分模型，对数据拟合项采用MC P罚函数，提出了一种新的去除脉冲噪音的图像恢复模型，称之为 TV-MC P模型。　　二是给出了 TV-MCP模型的 DC逼近方法，证明了逼近方法的收敛性，并对子问题应用 ADMM算法求解。计算结果显示，相比于现有的去脉冲噪音噪去模糊的方法，TV-MC P模型不仅在带模糊高脉冲噪音污染图像恢复问题上具有优势，对于70%以下椒盐噪音和50%以下随机值噪音的图像恢复情况同样优于其他方法，提升效果十分显著。　　三是证明了 TV-MC P模型和 DC逼近方法的收敛性。