近年来基于深度学习的JPEG图像复原方法取得了突破性的进展,但在实际应用中仍然存在诸多掣肘,如多尺度学习模型存在的模型臃肿及复原纹理不自然等问题,双域学习模型难以解决彩色图像复原及动态图像压缩质量复原等问题,以及深度模型所带来的模型参数量过大等问题。本文针对上述问题,分别从感受野模型,双域学习模型,模型压缩等方面对基深度学习的彩色JPEG图像复原算法展开了深入研究:第一,针对多尺度学习模型存在的模型臃肿以及复原纹理不自然等问题,本文提出了 一种感受野金字塔卷积神经网络算法以解决彩色JPEG图像复原问题。该算法首先基于膨胀卷积的感受野扩张特性,提出了一种感受野金字塔模型用于提取多尺度特征,然后提出了一种基于全局特征的自适应颜色仿射变换用于色彩复原。实验分析验证了感受野金字塔模型和自适应颜色仿射变换的有效性以及算法模型中各个参数设置的合理性,并证明了该算法模型仅需极少的模型参数就具备更优的复原效果。第二,针对双域学习模型难以解决彩色图像复原及动态图像压缩质量复原等问题,本文提出了一种基于隐式双域卷积神经网络的彩色JPEG图像复原算法。该算法首先提出了一种隐式DCT来预测YCbCr空间中各个通道的相对量化损失,并根据JPEG压缩原理,为不同通道设计了不同的预测模式,同时提出了一种基于统计先验的像素标记方法,帮助网络识别各个像素点的位置信息。实验结果表明,该算法在单图像压缩质量复原任务上较当前最优算法取得了显著的性能提升,在动态压缩质量复原任务上也能取得十分出色的复原效果。第三,针对基于深度学习的JPEG图像复原算法中广泛使用的稠密连接模型参数量庞大的问题,本文提出了卷积池概念,并基于卷积池提出了一种稠密连接模型压缩算法。卷积池在构建深度学习模型时,根据模型结构预先将所有需要的参数申请下来,再根据特定的参数分配（共享）机制,将参数分配给模型中的卷积层。该算法将稠密连接模型的深度复杂度由O（L2）降低为O（L）。实验分析表明,该算法不会造成模型发散或过拟合,也能很好地兼容膨胀卷积,并有助于提升模型的参数效率与紧凑性,能够良好适用于现有的算法模型。