近年来,虽然天文成像,空间目标辨识和对地观测成像技术得到了空前的发展,但是大气湍流对光学系统的扰动效应仍然没有完全解决。众所周知,大气层必须被认为是任何光学系统的传输路径。光线的传播路径和方向会随湍流介质的随机运动而改变,使图像产生几何失真、空间和时变离焦模糊以及运动模糊。因此,消除大气湍流作为波前扰动的影响,对提升任何远程成像系统(如:地基和空间基)的性能都是很有意义的。研究发现,由于大气湍流等其他影响因素的不确定性,传统的图像复原方法很难取得理想的恢复效果。近年来,由于深度神经网络强大的特征学习能力,不仅在高级视觉任务中取得了巨大的成功,而且在图像复原和去噪等低级视觉任务中也取得了成功。受此激励,本文对如何利用深度神经网路对大气湍流退化图像的重建进行了探索和研究。本文的主要工作和贡献为:(1)图像退化和复原基础理论的概述与总结。本文首先对图像退化模型、图像噪声模型和PSF先验模型进行了系统分析,并在此基础上确定了本文仿真大气湍流退化图像的大气湍流退化模型。然后,我们分析了已有图像盲复原算法的原理和特性。最后,通过对图像复原质量的评价指标的分析,确定了本文采用的评价指标。(2)利用噪声抑制块和U-net体系设计了一个新颖的端到端卷积神经网络来重建大气湍流退化图像。该网络主要有FENSB、Asymmetric U-net和IRSubnetwork三部分组成。空间目标成像过程中除了受到大气湍流的直接影响外,还易受到各种噪声的干扰。为减少对图像重建过程中的噪声干扰,专门设计了FENSB(特征提取噪声抑制块)和DNSB(去噪抑制块)两个噪声抑制块。综合仿真和真实测试数据的对比实验分析发现,该方法具有较强的抗噪和图像重建能力。(3)针对多种影响因素使目标图像退化严重难以重建的问题,本文提出由简单到复杂逐渐成熟的训练方法。该训练方法能够使训练成熟的网络对重度退化的图像进行重建。实验发现,通过预训练不仅可以使网络具有更好的泛化性能,而且可以获得更高质量的重建图像。(4)利用复杂任务分解正则化优化策略(TDROS)对大气湍流退化图像进行重建。受多任务正则化思想的启发,我们提出了一个通用的TDROS,它可以将复杂的图像复原问题分解为简单的子问题进行解决。通过添加TDROS的11层和22层CNN对大气湍流退化图像的复原结果充分证明了TDROS的可行性和优越性。与此同时,我们利用TDROS设计了一个新颖的深度神经网络模型对大气湍流退化图像进行重建。为避免对潜在任务过度处理和欠处理问题的发生,我们利用加权的方法对潜在任务进行约束。与先进的图像复原算法相比,我们的方法取得了较好的结果。尤其在湍流退化严重的情况下该方法具有更大的竞争力。