与其他人类感知相比,视觉是最可靠的信息来源,而人类通过视觉接收的信息占人类获取信息总和的四分之三以上,所以视觉信息对于人类十分关键。图像去模糊与三维重建具有广泛的应用领域,近年来已经成为国内外图像界与三维界研究的热点问题之一。针对于图像去模糊问题,本文建立了一种去噪先验驱动的图像去模糊深度网络,以结合利用基于优化和基于判别学习图像去模糊方法的各自优点。首先,建立了一种基于去噪的图像去模糊方法,其迭代过程可以高效进行,然后将迭代过程展开到前馈神经网络中,该神经网络的网络层模拟了本文建立的基于去噪的图像去模糊算法的流程。此外,建立了一种可以利用多尺度冗余的高效CNN降噪器,并将其插入到深度网络中,通过端到端训练,可以联合优化CNN降噪器和其他网络参数。实验结果表明,所建立的方法在图像去模糊的性能表现上非常有竞争力。针对三维重建问题,受长期短期记忆网络的成功以及使用卷积神经网络的单视图三维重建最新进展的启发,本文建立了一种基于形状先验的架构,称之为三维递归重建神经网络。基于形状先验的方法可以使用更少的图像,并且对物体反射函数具有更少的假设。该架构以标准的LSTM和GRU为基础,并由三个部分组成:二维卷积神经网络,三维卷积LSTM单元,以及三维反卷积神经网络。三维递归重建神经网络从不同视点接收物体实例的一幅或多幅图像,并以三维占用网格的形式输出物体的重建。在训练和测试中,网络不需要任何物体类别标签或图像注释,网络只需要很少的监督。网络的一个关键属性是它可以通过控制输入门和遗忘门来选择性地更新隐藏表示。在训练中,该机制允许网络自适应且一致地学习物体合适的三维表示,因此可以利用相互冲突的来自不同视点的信息。在传统SFM或SLAM方法进行三维重建失败的情况下,本文方法能够对纹理不足或宽基线视点的图像进行重建。