随着智能手机等便携式移动成像设备的快速发展,图像成为人们获取信息、对外交流的重要途径。图像是曝光时间内入射光在成像传感器的累积形成的。在曝光过程中,如果相机传感器和被拍摄物体发生相对运动,就会产生图像模糊。图像模糊会不可避免地造成图像信息的损失,从信息丢失的图像中复原出清晰的图像是一个极具挑战性的问题。由于图像去模糊是一个病态问题,因此如何有效地刻画清晰图像的特征并以此来约束该问题的解空间是十分重要的。此外,在模糊过程中,由于受到复杂成像环境的影响,拍摄得到的模糊图像往往存在大量的噪声和离群点。而目前的图像去模糊方法大多假设模糊图像中只含有少量的噪声或不含噪声,不能有效地处理模糊图像中存在的离群点问题,少数现有的离群点处理方法又依赖于较强的先验知识或复杂的离群点检测方法,计算效率较低。因此,如何准确高效地处理复杂场景下的图像去模糊问题是一个亟待解决的问题。本学位论文针对模糊过程的性质以及复杂场景下的图像去模糊问题展开研究,提出了有效的解决图像去模糊问题的判别学习模型及算法。其主要研究成果如下:(1)基于显著边缘和低秩先验的图像去模糊方法。提出了 一种显著边缘选择和低秩图像先验相结合的盲图像去模糊算法。通过对模糊过程的性质分析,发现了模糊会改变清晰图像中非局部相邻图像块的相似性。基于这一性质,提出利用低秩先验来刻画清晰图像的特征。为进一步提高运动模糊估计的准确性,提出采用显著边缘选择方法,从潜在清晰图像中选取出有利于模糊核估计的结构边缘。实验结果表明,所提出的方法能够有效地解决盲图像去模糊问题。(2)判别性数据拟合函数学习的图像去模糊方法。通过分析基于图像像素信息、梯度信息或更高阶的图像信息的数据拟合函数对模糊核估计和图像复原问题的影响,提出了一种判别性数据拟合函数学习方法。该方法能够有效提升盲图像去模糊中模糊核估计和图像复原的准确性。(3)处理离群点的盲图像去模糊方法。通过分析离群点对函数逼近的拟合优度的影响,提出了一种简单有效的基于鲁棒数据拟合函数的图像去模糊方法。该方法不需要离群点检测等复杂的处理操作,但能有效避免离群点在模糊核估计中的影响。实验结果表明,该方法能够有效地处理盲图像去模糊中的离群点问题。(4)处理离群点的判别性数据拟合函数学习方法。针对离群点的特点,提出了一种有效学习数据拟合函数和模型参数的判别式学习方法。为避免直接学习数据拟合函数所导致的复杂迭代解,本学位论文以解空间性质为基础,直接学习数据拟合函数所对应的收缩函数。分析和实验表明,所提出的方法学习得到的收缩函数形式更为灵活,也能够有效地处理带有离群点的非盲图像去模糊问题。(5)基于空间变化线性表示模型的图像去模糊方法。提出了一种空间变化的线性表示模型,其中复原结果由线性表示模型计算得到。为了有效地估计线性表示模型中的表示系数,利用线性表示模型约束深度卷积神经网络,从而有效地估计模型中的线性表示系数。分析与实验结果表明,学习到的表示系数能够有效地刻画指导图像和输入图像的结构信息,进而有效地复原目标图像。大量的实验结果表明,所提出的算法可以应用于诸多图像复原和滤波问题,包括跨域图像复原、短曝光/长曝光图像去模糊、自然图像去噪等,并在这些问题上取得了先进的效果。