随着科学技术、经济水平的发展、生活质量的提高,相机已经成为了人们日常生活中必不可少的用品,人们通常利用其拍摄各种图像,记录身边发生的事。然而,拍摄高质量图像需要成本昂贵的相机硬件、合适的拍摄技术作为支撑,由于普通消费级相机的元件缺陷、外界环境因素的干扰,一般很难获取成像质量精细、令人满意的图像,大部分图像也存在噪点、细节模糊、分辨率不足的问题。随着计算机视觉理论的发展,各式各样的图像处理算法也被用来改善图像的质量。在此大背景下,本文从图像品质提升的角度出发,通过构建基于深度神经网络的图像修复模型,对低质量图像进行去噪、超分辨率重建,改善图像的成像质量,推动基于深度学习的图像品质提升算法在实际场景中的应用。其主要内容如下:(1)介绍了图像品质提升的背景和意义,概述了各种不同的图像去噪、超分辨率重建方法,提出本文的研究方法和拟解决的关键问题。(2)介绍了图像的成像过程以及图像质量评价指标,概述了低质量图像生成过程的数学模型,为图像质量修复打下理论基础。(3)由于图像中存在较多噪点,因此需要对其进行去噪处理,降低图像的噪声水平。论文第三章根据生物视觉系统的成像原理,提出了感受野动态调节与多级编解码的去噪算法并构建深度卷积神经网络模型,根据图像中不同区域、大小的目标,实现了多尺度感受野的自适应选择,同时提出了逆向像素重排列方法,将图像的平面信息编码到空间方向,降低图像的特征冗余,提升运算速度,提高去噪效果。(4)由于部分图像的分辨率较低,细节较为模糊,因此需要对其进行超分辨率处理,提高其分辨率,使得图像更为清晰。论文第四章从超分辨率重建难点出发,提出了方向感知与特征融合的超分辨率算法并构建深度卷积神经网络模型,利用多形状卷积核从不同方向对图像信息进行提取,采用通道矫正机制对局部和全局融合信息进行重标定,区分不同信息对于重建的贡献度,提升超分辨率重建的效果。最后,复现了部分经典或者比较近年来较为创新的图像去噪/超分辨率方法,并将本文提出的算法同其进行对比,完成了定量评价和定性分析,根据PSNR/SSIM和可视化结果表明,相对部分新颖且效果较好的图像修复算法,本文提出的去噪和超分辨率方法能够获得最好的图像品质提升效果。