图像作为一种信息载体,在各行各业都有着广泛应用。但图像在生成及传输过程中将不可避免地发生不同程度的退化,这会导致图像携带的信息量大大降低,并且会对其它基于图像的任务产生不良影响。图像复原的目的则是对这些退化过程进行建模来还原被退化图像,在图像复原研究领域的图像超分辨率及JPEG压缩恢复同样广受关注。近年来随着深度学习的发展,利用卷积神经网络对图像进行超分辨率及JPEG压缩重建也成为研究热点。由于深度学习能够充分利用海量训练数据中的关系来建模上述问题,使得其能够取得比传统方法更好的结果。所以本文的工作也基于卷积神经网络来对上述问题进行研究,具体而言,本文的主要工作包括:1.对当前基于深度学习的图像超分辨率研究领域广泛使用的递归模型进行深入分析,提出了一种新的记忆递归模块,能够在递归过程中对每阶段的输出特征进行记忆,从而给后续的递归阶段提供更多的信息,使得网络能够更加有效地进行超分辨率重建;同时针对当前超分辨率算法在特征放大阶段使用的特征表达能力不足的问题,提出了一种新的特征聚合方法Shuffle Conv,使递归模块各个阶段的输出信息得到更加有效的利用。2.当前基于深度学习的JPEG图像压缩恢复研究大多局限于特定压缩品质,训练的模型在应对未知压缩品质的图像时往往不能取得很好的重建结果。针对上述缺点,提出了一种面向多压缩质量的JPEG图像压缩重建方法,通过使用一个JPEG压缩质量评估子网络来对输入图像的压缩质量进行评估,得到的评估信息和原始输入将一同送入JPEG压缩恢复子网络来进行重建,从而使网络能够适应不同压缩质量下的图像。3.由于当前基于深度学习的图像超分辨率任务都假设低分辨率图像是未经压缩的,但在现实生活中大部分图像都是经过JPEG压缩过的,这就使得这些超分算法不能很好地运用于实际。针对上述问题,在结合前述研究工作的基础上,提出了一种针对JPEG压缩图像的图像超分辨率方法,利用一个压缩重建网络对JPEG压缩图像进行重建,然后将原始输入及重建结果都输入一个图像超分辨率网络中来获得更好的重建结果。