湍流图像复原是退化图像领域的研究热点。对湍流退化图像的复原研究目前主要停留在传统经典图像复原方法。湍流退化图像的复原效果受湍流模型中的模糊比例因子k值影响大,在k值未知的情况下进行图像复原效果不佳,而现阶段对k值设定大多通过人工交互的方式,依据湍流退化图像对k值求解的研究方法较少。本文提出了两种对四类不同k值范围图像进行分类研究的方法并进行研究。首先,提出了一种基于高频DCT特征的DT-SVM湍流退化图像分类方法。该方法通过分析湍流退化图像DCT变换后图像特征,进一步提取DCT变换的图像高频特征,利用PCA降维技术结合DT-SVM多分类方法实现对不同k值范围湍流退化图像的分类实验。其次,提出了一种基于改进CNN网络模型的湍流退化图像分类方法。该方法基于卷积神经网络强大的特征抽象提取和自动学习分类能力,在经典LeNet-5网络模型下进行实验,发现模型不能较好收敛,基于实验数据,研究了LeNet-5卷积神经网络模型结构及参数,并在此网络结构基础上提出改进,并使用改进后网络对不同k值范围湍流退化图像进行了分类实验。实验结果表明,在基于高频DCT特征的DT-SVM湍流退化图像分类方法上,整体分类准确率接近60%。在分类性能影响因素方面,SVM核函数中的参数δ~2取值为0.01时效果最佳,而惩罚因子C对分类结果影响不明显;高频DCT系数对分类结果影响比较显著,随着高频DCT系数的增加分类准确率有明显提升,当DCT系数增大到1时,提取的高频特征包含直流分量,分类准确率有明显下降,分类所用时间与DCT系数呈正相关;在基于CNN的湍流退化图像分类方法上,使用改进后的LeNet-5网络结构实验,Loss值最终基本稳定在0.66左右,分类准确率达到80%左右。通过研究基于高频DCT特征的DT-SVM湍流退化图像分类方法和基于改进CNN网络模型的湍流退化图像分类方法,实现了对湍流退化图像分类判别k值范围。传统SVM分类方法对湍流退化图像分类效果受DCT系数影响,总体分类准确率欠佳;CNN网络对湍流退化图像分类效果受网络结构影响,改进后的CNN网络的分类准确率则表现良好,验证了该方法的有效性以及相比传统SVM分类方法的优越性,为进一步依据分类结果对图像复原做了铺垫。