图像复原技术是计算机视觉领域的重要问题之一。由于环境、天气、相机和人为因素的影响,采集的图像通常是有噪声的和低分辨的。因此,图像去噪和图像超分辨等图像复原技术一直受到研究者广泛的关注。近些年来,研究者利用信号处理、基于先验知识和神经网络方法提出很多解决图像去噪和图像超分辨问题的方案。但这些大部分方法都忽视了复杂的随机噪声与复杂背景对图像去噪的影响、高频细节信息丢失及复杂的低分辨图像（带有噪声及未带有噪声未知损失程度的低分辨图像）对图像超分辨的影响。为了解决这些问题,本文结合任务本身的属性,通过信号处理和神经网络的相关知识,设计高效的深度卷积神经网络。主要工作包括以下几个部分:（1）针对复杂的随机噪声图像去噪问题,本文提出了一种基于双路径卷积神经网络的图像去噪方法。该方法将深度网络扩展成宽度网络,提取更多互补的宽度特征,遏制复杂的随机噪声。采用重归一化技术解决低配置硬件平台上训练过程中样本出现的内部协变量偏移问题;采用空洞卷积技术提取更多的网络深层特征,扩大不同子网络的差异来提高去噪性能。实验结果表明,本文提出的方法不仅能有效地解决如高斯噪声图像和真实噪声图像的已知类型噪声图像去噪问题,也能解决硬件资源受限时训练过程中数据分布不均匀的已知类型噪声图像的去噪问题。（2）针对复杂背景噪声图像的去噪问题,本文提出了一种基于注意力机制卷积神经网络的图像去噪方法。该方法考虑网络的复杂度和属性,并结合注意力机制设计了一种高效的去噪网络,从复杂背景中提取噪声信息。为了提升图像去噪的性能和效率,采用空洞卷积技术和普通卷积技术在CNN中实现了一种稀疏机制,增强去噪效果。考虑到深度网络的长期依赖问题,采用长路径融合全局和局部特征,增强网络浅层对深层的作用。此外,采用注意力机制以当前状态引导之前状态,从复杂背景中提取显著的噪声;最后,采用残差学习技术把获得的噪声从噪声图像中移除。定量分析和定性分析显示,该方法能有效地处理已知类型噪声图像去噪和未知类型噪声图像去噪（盲去噪）问题。（3）针对高频细节信息丢失的图像超分辨问题,本文提出了一种基于级联卷积神经网络的图像超分辨方法。该方法融合多种不同类型的低频信息和高频信息来增强超分辨模型训练稳定性。考虑到网络长期依赖问题,采用异构卷积技术获得不同类型的特征,融合这些特征加强网络浅层对深层的作用;为了防止多次使用异构卷积中“1×1”卷积引起的边缘信息丢失,采用残差技术融合所有网络层次特征,增强获得的特征;防止网络深层上采样忽视高频特征作用引起训练过程不稳定,采用细化模块学习准确的高频特征并获得高质量图像。大量实验验证,本文提出的方法不仅能提高图像超分辨网络的训练稳定性,还能提升图像超分辨的性能与效率。（4）针对复杂的图像超分辨问题（带有噪声及未带有噪声未知受损程度的低分辨图像恢复问题）,本文提出了一种基于非对称卷积神经网络的图像超分辨方法。该方法通过增强局部的显著性特征作用来降低计算资源和结合自适应子像素技术训练复杂的图像超分辨模型。已有的大部分方法只是简单地融合层次特征,提升图像超分辨的性能,但这会增大训练过程中模型收敛的时间和造成计算资源浪费。因此,该方法通过一维的非对称卷积在竖直和水平方向上增强方形卷积核的作用,扩大局部显著性特征在图像超分辨任务上的影响;考虑深度网络的长期依赖问题,采用残差学习技术融合获得的层次低频特征,增大网络浅层对深层的作用;此外,采用一组自适应的子像素卷积技术把低频特征转换为高频特征,训练固定缩放因子的图像超分辨模型、可变缩放因子的图像超分辨模型（盲超分辨模型）以及未知类型的噪声可变缩放因子的图像超分辨模型,使用户根据自己需求,选择合适功能,以处理图像超分辨问题。最后,采用残差技术融合高频特征和低频特征,解决网络深层上采样引起的训练过程不稳定问题。实验结果表明,本文提出的非对称网络在固定缩放因子的图像超分辨和复杂的图像超分辨任务（可变缩放因子及未知噪声类型可变缩放因子的图像超分辨）上都获得了很好的性能。综上所述,本文以实际需求为出发点、结合网络设计原理、目标任务的属性及应用场景中存在的挑战,提出更适合移动数字设备的图像复原技术,并通过方法分析和大量的实验说明提出方法的合理性与有效性。