针对目前图像超分辨率重建算法中所存在的特征信息提取不充分、重建图像细节信息模糊等问题，提出了一种多尺度双阶段网络来实现图像的超分辨率重建。首先，考虑到单尺度卷积层会出现特征信息提取不充分的现象，故而以多尺度卷积层为大体框架，设计网络模型；其次，考虑到重建后的图像效果，将整体网络分为2个阶段，第1阶段根据输入的低分辨率图像进行特征信息的提取和重建，第2阶段对重建后的图像进行更深一步的特征细化，从而提高重建图像的视觉效果；整体网络中还引入了跳跃连接和注意力模块，以加强特征信息的有效传播；最后，以数据集Set5、Set14、Urban100、BSDS100和Manga109作为测试集展开实验，峰值信噪比和结构相似度作为图像质量的评价指标。实验结果表明，二者的值相比以往均有所提高，且重建图像视觉效果较好。因此，该算法在客观评价和主观视觉上都取得了较好的结果。

针对低照度图像亮度低、对比度低、颜色失真以及现有增强算法大多没有区别处理不同的通道，不利于提取多层次特征的问题，提出多通道融合注意力网络的低照度图像增强算法。首先，通过将八度卷积（Octave Convolution， OctConv）引入通道拆分后的残差结构中提出多层级特征提取模块；其次，利用注意力机制与交叉残差结构提出跨尺度特征注意模块；再次，通过大小与通道数不同的模块堆叠的方式获取多层次信息；最后，在通道维度上进行特征融合，并通过重建模块获得输出。实验结果表明，与RISSNet算法相比，在真实图像上的峰值信噪比与结构相似度分别由27.001 6 dB和0.889 2提升到27.978 1 dB和0.925 5。所提算法在峰值信噪比、结构相似度、均方误差、视觉信息保真度4种客观评价指标上均获得了最好的结果。该算法能够有效地提高低照度图像的亮度及对比度，且图像纹理细节及色彩保持较好。

针对现有的基于卷积神经网络的图像去模糊算法存在图像纹理细节恢复不清晰的问题，提出了一种基于多局部残差连接注意网络的图像去模糊算法。首先，采用一个卷积层进行浅层特征提取；其次，设计了一种新的基于残差连接和并行注意机制的多局部残差连接注意模块，用于消除图像模糊并提取上下文信息；再次，采用一个基于扩张卷积的成对连接模块进行细节恢复；最后，利用一个卷积层重建清晰图像。实验结果表明：在GoPro数据集上的PSNR (peak signal to noise ratio)和SSIM (structure similarity)分别为31.83 dB、0.9275，在定性和定量两方面都表明所提方法能够有效地恢复模糊图像的纹理细节，网络性能优于对比方法。

为更好地解决由于相机抖动、物体之间相对运动等因素引起的图像模糊问题，本文设计了一种多尺度交替连接残差网络用于图像去模糊，采用“从粗到细”的多尺度方式来逐渐恢复出清晰图像。首先，提出一种多尺度残差模块来拓展网络宽度，提取并融合不同尺度之间的特征信息；其次，提出一种基于扩张卷积的交替连接残差模块来逐渐恢复模糊图像的高频信息；最后，利用一层卷积来对特征图进行重建。实验结果表明：本文所提去模糊算法的峰值信噪比以及结构相似度分别为32.313 6 dB和0.942 5，均高于目前先进的图像去模糊技术。从评价指标和主观效果上均可看出本文所提去模糊方法具有更强的图像恢复能力，纹理细节更丰富，能够有效提升图像去模糊效果，具有更强的实用价值。