随着社会的发展,视频、图像是人们获取信息的主要途径。由于运动、电子干扰、大气湍流效应等因素的影响,导致图像质量下降。本文从退化模型入手,采用了传统的图像复原技术,如维纳滤波复原、L-R复原、盲去卷积复原等方法,对图像进行复原,复原结果并不理想。并且传统方法对先验知识要求很高,往往很多先验知识无法获得。BP神经网络具有自主学习、泛化能力强等优点,以BP神经网络对图像进行复原,就能摆脱对先验知识的依赖。虽然BP神经网络复原图像效果优于传统复原方法。但是BP神经网络存在对初始权值阈和值敏感,收敛速度慢,容易陷入局部最优解等问题。为了改善BP神经网络对初始权值和阈值敏感、容易陷入局部最优等不足,本文建立了布谷鸟算法优化BP神经网图像复原模型。通过布谷鸟算法搜索BP神经网络的初始权值和阈值,消除BP神经网络对初始权值和阈值的依赖。对布谷鸟算法的步长和发现概率进行改进,利用改进的布谷鸟算法搜索BP神经网络的初始权值和阈值,将优化后的网络对Lena图像和Cameraman图像进行复原。实验结果表明,对于Lena图像,ICS-BP神经网络比BP神经网络、PSO-BP神经网络的峰值信噪比（PSNR）分别提高了4.83%和3.53%,结构相似度（SSIM）分别提高了1.62%和0.67%,说明优化后的BP神经网络图像复原效果更好。同时,ICS-BP迭代35次收敛,快于BP神经网络137次收敛和PSO-BP神经网络81次收敛,因此提高了效率。为了提高BP神经网络的收敛速度,建立基于麻雀算法的BP神经网络图像复原模型。针对麻雀算法在后期种群多样性减少,容易陷入局部最优等缺点。将麻雀算法与Levy飞行结合并加入权重惯性因子,得到改进的麻雀算法。通过7个测试函数分别对ISSA和SSA进行仿真实验。实验结果表明,ISSA在求解精度和收敛速度两个方面均优于SSA。利用改进的麻雀算法优化BP神经网络的初始权值和阈值,并将其应用于图像复原。实验结果表明,ISSA-BP网络模型在图像复原迭代22次就收敛,快于ICS-BP的35次收敛、PSO-BP的81次收敛、BP神经网络的137次收敛,提高了收敛速度。对于Lena图像,ISSA-BP神经网络相较于BP神经网络、PSO-BP神经网络的峰值信噪比（PSNR）分别提高了1.37%和0.11%,结构相似度（SSIM）分别提高了0.99%和0.04%,这说明ISSA-BP神经网络图像复原的效果更好。综上所述,ICS-BP神经网络复原图像的峰值信噪比和结构相似度最大,复原的图像更接近原始图像,同时迭代次数减少,提高了效率,并且能够跳出局部最优解。