当前去模糊方法只利用图像单一的稀疏特性作为先验信息，忽略了伪边缘(如振铃瑕疵)对模糊核估计的影响，导致其去模糊性能不佳。本文充分利用复杂结构图像的先验信息，设计了振铃约束下的全变差正则化图像去模糊算法。首先，利用多分辨率图像金字塔策略建立多层图像模型，通过对比模糊图像和潜在清晰图像来获得振铃先验信息。其次，将振铃正则约束项融入全变差方法，构建多正则项去模糊模型，然后利用变量分离法将去模糊模型转化为多函数优化问题。最后，利用一阶原始对偶算法，根据低分辨率到高分辨率的顺序，对模糊核和原始图像完成计算，获取重构目标。实验结果表明：较当前图像去模糊技术而言，所提算法具备更为理性的去模糊效果，所复原的图像呈现出更高的峰值信噪比和结构相似度，可以更好地保持图像边缘与纹理信息。

传统全变差(TV)正则化图像复原仅考虑图像的一阶梯度特征,具有图像噪声敏感、平坦区域阶梯效应明显等缺点。针对此类问题,将广义全变差(TGV)应用于图像去模糊领域,提出自适应加权的TGV图像去模糊模型,该模型能够根据图像局部结构自适应调整权值,在去模糊的同时避免阶梯效应,有效保持图像边缘并抑制噪声。提出基于原始-对偶的自适应加权TGV去模糊模型的迭代求解算法,实验结果表明,利用本文算法可获得高质量复原图像,且时间复杂度低,求解速度快。