红外图像分辨率低和非均匀性噪声显著是红外图像复原研究中的重要问题。不同于传统算法设计,基于卷积神经网络的红外图像复原方法最大特点是提升复原能力并减少设计成本,使算法更智能化。然而,现有的基于卷积神经网络的单帧红外图像复原方法中,网络模型通常只具备单任务处理（去噪或超分辨率重建）能力,并且丰富的数据量需求以及大规模网络结构会给数据收集、模型训练和存储带来困难。针对这些问题和难点,本文重点开展以下研究工作:（1）针对卷积神经网络方法对红外图像细节特征重建困难的问题,提出一种小样本量训练条件下的两级卷积神经网络方法实现特征分步重建。该方法先利用卷积-反卷积子网络快速提取边缘特征,然后接递归残差子网络进一步提取纹理特征,最后全局跳跃连接实现整体残差学习。实验结果表明,所提模型在参数量较少的情况下能力与对比算法相当。（2）针对小规模训练下网络结构参数过多带来的过拟合问题以及红外图像复原多任务需求,提出一种采用多级联分组卷积块的复原方法,能够在训练数据量和训练次数较少的条件下同时实现高斯去噪和高分辨率重建。首先使用多尺寸卷积核提取多尺度特征以降低对数据量的需求;然后利用对应卷积和通道卷积在模块内交替完成去噪重建并压缩卷积计算量。其中,块与块之间级联加深高频特征学习,局部残差确保快速收敛;最后通过融合全局残差特征实现红外图像复原。对所提模型多尺度特征提取阶段中卷积核尺寸和数量以及级联分组卷积阶段中卷积块内部结构和数量进行筛选得到较优模型。实验从训练集设置、优化算法和网络稀疏化训练三个角度揭示了不同策略对网络模型性能的影响。同时,对比分析了其他算法的性能以及批量归一化层和不同残差学习形式的作用。实验结果表明,所提方法相对其他模型参数量较少,可以在较少数据和训练次数下完成高质量的红外图像复原,且在不同噪声方差和重建倍数条件下的泛化性能指标比较中优势明显。