自然图像是信息承载的重要形式,获取高质量的自然图像在地质勘探、测绘、遥感、制导等诸多民用和军事领域中有着十分重要的意义。由于硬件设备成本的限制和环境噪声的影响,当前的自然图像成像技术,难以获得令人满意的成像结果,所成的图像往往被噪声或模糊所污染,并且难以获得高分辨的图像,不能满足实际应用中对于高质量成像结果的要求。因此,对自然图像复原算法进行研究,并将其投入到实际应用中来提高图像质量是非常有意义的。基于稀疏编码模型和深度学习方法的复原算法对自然图像复原问题较为有效,但前者往往需要多次迭代,算法求解耗时较长,后者对训练数据的构造要求较高,对于训练集中未出现的样本不能得到较好的泛化性能。本文基于所提出的结构化解析稀疏编码模型进行自然图像先验信息的挖掘,在探索了自然图像的多种先验知识的前提下,通过构建强健的正则模型,对退化图像的复原求解进行建模。本文的主要工作和创新点在于:1.为了充分利用外部数据中的先验信息,我们将基于迭代求解的稀疏编码模型进行了改进;具体的,在求解复原图像的步骤中利用单步梯度下降进行近似求解,并将稀疏编码求解和复原图像求解的迭代过程展开成一个神经网络进行表达,一方面可以将模型中的参数进行重新训练以达到更好的复原效果,另一方面也大大降低了模型求解的计算复杂度。2.通过对自然图像先验信息的不断挖掘,我们提出了将退化图像内部的结构化先验和从海量数据中学习到的先验进行结合的混合先验模型,我们将其称为混合稀疏先验模型。我们通过所设计的正则项,将基于模型的复原方法和基于学习的复原方法进行了结合,其中结构化先验基于自然图像具有非局部自相似性的结构化特征,在此加上了利用卷积神经网络模型从海量退化-真实图像对中学习的外部先验,结合两种先验得到更佳的图像复原效果。3.由于本文所提出的模型对自然图像的退化过程进行了建模,因此模型可以应用于去噪、超分辨和去模糊三种图像复原任务,而不需要专门为了某种图像复原任务设计网络结构,是一种通用的自然图像复原模型。我们将本文提出的模型在多个公开的自然图像复原测试集上验证算法性能,实验结果表明我们的方法在去噪、超分辨、去模糊三种自然图像复原任务上都取得了比现有方法更好的效果。