随着多媒体和计算机技术的迅速发展，数字图像处理技术得到了越来越广泛的应用。数字图像处理包括图像去噪、图像分割、图像压缩等等许多方面，其中图像复原是一个重要的研究的方向。图像复原的目的是从观测到的退化图像重建原始图像，它是图像处理、模式识别、机器视觉等的基础，因而受到广泛的研究。在天文学、遥感技术、医疗图像等领域获得应用。图像复原技术是以图像退化的某种先验知识为基础，当假定系统的脉冲响应(即点扩散函数PSF)已知时，这一类图像复原称为经典的图像复原。但是，在许多实际情况下点扩散函数难以确定，必须从观察图像中以某种方式抽出退化信息，找出图像复原方法，这种方法就是图像盲复原。 早期的图像复原算法中，通常不考虑噪声的影响，但在实际的图像获取、传输、存贮的过程中，噪声的产生难以避免，往往直接影响图像的复原效果。因此本文主要研究了含有噪声的图像盲复原算法，重点研究了两种算法，一种是具有非负和有限支持域的递归逆滤波器的图像盲复原算法(即NAS-RIF算法)，该算法可以对全黑、全白或全灰的背景均匀的图像进行有效复原，但是算法对噪声十分敏感表现为在高频下的放大，因此本文提出用高阶累积量抑制噪声同时在算法的迭代过程中结合图像分割技术进一步确定目标支持域。另一种是基于高阶统计量和Radon变换图像盲复原算法。这两种算法中，前者是基于逆滤波器技术的迭代算法，后者则是采用基于高阶累积量的系统模型辨识方法，由于高阶累积量计算量十分巨大而图像又是二维信号，因此本文提出采用Radon变化将二维信号投影到一维空间，这样就大大降低了算法的运算量，改善了算法的性能。在这两种算法中，由于仅仅使用高阶统计量，因此可以抑制高斯噪声的影响。对这两种算法的仿真试验表明，本文提出的算法即使是在还有噪声的环境下也可以获得较好的复原结果。最后，对全文进行了总结，提出了进一步的研究方向。