提出一种基于迭代自适应滤波原理的端到端深度神经网络。该网络旨在解决由简单透镜的光学结构引起的显著图像边缘模糊问题。利用具有大视场的单个胶合透镜，提出一种像素级去模糊滤波器，该滤波器可有效地适应模糊的空间变化，从而恢复输入图像的模糊特征。通过模拟和在原型摄像机系统上进行的实验验证了所提方法的有效性。

在散射环境下获取的图像质量退化严重，细节对比度降低，极大地限制了光学成像技术在诸多领域的应用。由于散射光具有部分偏振特性，基于偏振成像的去散射技术近年来得到了广泛的关注及应用。但传统的偏振去散射方法的复原效果十分依赖对场景偏振参数的准确估计，对强散射的复杂场景难以取得理想的去散射效果。为了克服这一缺点，提高偏振去散射方法在不同环境中的适用性，着眼于偏振图像的区域细节，提出一种基于区域细节强化的偏振去散射新方法。该方法结合对比度和Stokes矢量来确定两幅待复原的偏振子图，通过频域处理估计模型的关键参量，然后利用散射退化模型反解出未退化图像，最终融合形成去散射图。实验结果表明：所提方法在不同种类散射环境（雾霾或浑浊水体）和不同散射强度下均具有良好的复原效果，提高了偏振算法的适用性；同时，充分利用了偏振图像的强度分布特点，能够突出原图中的强偏振区域，可同时复原高低偏振目标物体，增强图像的细节信息。

受散射和吸收的影响,水下图像出现颜色失真、可视性低、细节丢失的问题。为了有效解决上述问题,提出了基于颜色校正和细节保持的水下图像增强方法。首先,采用基于Retinex启发的方法,通过调整每个颜色通道的直方图分布来对颜色进行校正。然后,一个基于中值和均值的平均值的双区间直方图用于改善低像素区域和高像素区域,整合图像的对比度得到了显著提高。最后,一个多尺度非锐化掩模方法用于整个图像的锐化,以突显图像细节。实验结果表明,所提方法有效地消除了图像颜色失真,增强了图像对比度和细节。

借助蒙特卡罗方法模拟闪光照相过程，研究了模糊和散射因素对边界检测的影响。结果表明：模糊与边界退化量的变化关系依赖于相邻飞层的材料、密度和尺寸；相同客体结构下，模糊越大，边界退化量也越大；客体结构不同，相同模糊下的边界退化量也不同；散直比越大，散射对边界检测结果的影响也越大，当散直比大于50时，散射引起的边界检测误差超过1个像素。

采用集成模型法研究了航天器微振动对空间相机像质的影响，针对探测器CCD曝光积分时间内动态成像系统像移等价于静态像点模糊，提出动态成像评价指标，并进行了动态成像分析.介绍了空间相机受到的各种微振动干扰源，利用有限元软件建立了相机的有限元模型，并对相机进行动力学分析，获取了光学元件的微振动量，将其输入到光学软件CODE V，得到系统退化的像面点列图、调制传递函数、像移量等分析结果.这种方法适用于任何振幅、频率形式的复杂微振动，且有效减少运算量.利用该方法完成微振动干扰对空间相机像质退化的仿真模拟，结合动态成像评价标准分析判断微振动对系统像质的影响程度，得到光学元件微振动与像质退化之间的关系，为系统优化设计和隔振补偿措施提供参考依据.

目前关于图像恢复的算法有很多,而这些算法大多是基于退化函数或者点扩展函数的知识进行的。当对退化函数先验知识不足时,设计出的恢复滤波器的恢复效果必将不够理想,因此有必要在设计恢复滤波器之前做系统的退化函数估计。遗传算法是一种成熟稳定的仿生物进化的全局寻优算法,由于遗传算法控制参数少、自适应度高,将选择该方法做退化函数的估计。实验结果表明,遗传算法从全局寻优的角度出发,能够较为精确地估计退化系统函数。

均匀路径中图像退化光学模型广泛应用于大气中退化图像的复原，而对于斜程观测情况，视线路径中的光照和光学性质是非均匀的, 即使在水平路径中也会面临不均匀的状况。从平面平行大气辐射传输理论出发，建立了非均匀路径中图像退化光学模型，并在典型大气、观测条件下对模型进行了仿真分析。结果表明，对于近水平观测，非均匀路径退化模型简化为均匀路径中的退化模型；当观测距离较小时，两个模型在表达形式上是一致的，并且相对于长波段，短波段更满足此结论；不同观测方向和太阳的方位角差对退化模型的影响只在于观测处背景光的不同；此外，退化模型依赖于近地面水平能见度。

图像退化是引起X射线探测器图像质量下降的主要原因。图像恢复，可以提高系统的分辨率和对比度灵敏度。通过对射线成像系统图像退化的分析，介绍了反滤波信号恢复方法，并提出了一种近似恢复算法，该算法将反滤波恢复近似为除法运算的恢复。给出了恢复前后的图像及标准差的对比，实验结果表明了该算法的有效性。

提出了一种基于径向基函数(RBF)神经网络的多通道图像数据融合复原方法，研究了该方法在多光谱图像复原上的应用．将软竞争学习策略和自适应调整隐节点相结合对网络进行优化训练．利用多光谱卫星图像数据，对所提出的方法进行仿真实验．实验结果表明：该融合复原方法提高了复原图像的质量；改进后的学习算法能够保证学习准确度和较短的训练时间；实验还表明RBF神经网络的多通道复原和单通道复原、传统的维纳滤波及最大后验概率方法相比，在改善图像像质上具有明显的优越性．