目前,视频监控系统广泛应用,但其中由于监控摄像头距离目标较远、视频需要压缩处理,视频中目标存在部分遮挡,导致监控视频图像质量变差,无法完全获取图像中的有效信息。目前,深度学习在图像处理和计算机视觉领域得到了广泛的应用,基于深度学习实现图像超分辨率复原和图像去遮挡复原来提升图像质量,已成为当前工业界和学术界的研究热点。本文围绕着基于深度学习的图像超分辨率和图像去遮挡复原开展研究工作,主要研究内容和成果体现在以下几个方面。针对远距离小目标人脸图像超分辨率复原问题,本文提出了基于改进的条件Wasserstein Generative Adversarial Networks（WGAN）的人脸图像超分辨率复原方法。首先,引入生成对抗网络保留复原后图像丰富细节,并提出一种具有梯度惩罚和权重谱归一化的改进WGAN方法,来提高WGAN训练稳定性;其次,对人脸图像进行对齐预处理,并构建渐进式亚像素上采样结构,简化高度结构化的小尺寸人脸图像超分辨率复原学习过程复杂性;最后,采用改进的具有特征重复利用的残差稠密连接适用于人脸图像的网络结构,构建像素级损失、特征级损失和对抗损失多约束目标融合的损失函数,保留图像的细节特征。通过在CelebA人脸数据集和CNBC人脸数据集大量实验证明,本文提出方法可对小尺寸人脸图像进行八倍上采样因子超分辨率复原,得到了较好图像复原结果。针对解决带有视频压缩退化的自然场景图像超分辨率复原问题,本文提出了基于去视频压缩伪影的超分辨率自然图像轻量级复原方法。首先,将视频压缩退化过程分解为频域编码压缩和下采样降质两部分,因此将上述问题转化为去视频压缩伪影和图像超分辨率两个子问题,并构建去伪影的超分辨率复原方法整体框架;其次,采用改进的去视频压缩伪影Artifacts Reduction CNN（AR-CNN）方法解决去视频压缩伪影问题,采用本文第三章提出的网络模型解决图像超分辨率复原问题;最后,采用深度可分离卷积对提出模型进行压缩,减少视频压缩图像复原的参数量和计算量。此外,在生成模型中采用实例归一化,提升模型在处理数据分布不均匀的自然图像复原效果。在YOUKU-VSRE 2019数据集中的实验结果表明,本文提出的方法在经视频压缩退化的自然场景图像超分辨率复原上具有较好效果。针对图像中目标存在部分遮挡的问题,本文提出了基于特征融合的图像修复去遮挡方法。首先,构建了融合边缘特征和深度特征的图像修复去遮挡模型,改善了现有方法中缺少边缘细节或生成边缘伪影问题,提高复原图像质量;其次,在网络模型构建中,结合了在图像生成方面表现突出的自编码器和WGAN网络,WGAN网络弥补了自编码器生成图像缺少细节缺点,自编码器弥补了 WGAN网络生成图像有偏差缺点,在损失函数构建上,融合了图像像素级损失、特征级损失、图像风格损失及对抗损失,丰富生成图像细节特征。通过在CelebA-256和Place数据集上的大量实验验证了本文提出的基于特征融合的图像修复去遮挡方法的先进性和有效性。