在很多应用情形下,人们总是需要或期望得到信息丰富的高质量视频图像。但现今绝大多数视觉系统,特别是视频监控系统,由于受到外界环境、成像技术、存储技术、网络带宽等诸多因素的限制,导致或被迫使图像退化、细节信息不丰富、对比度降低,使得获取的图像视觉效果并不理想,影响主观观察和客观评价,不利于发挥视觉系统的效用。与此同时,在实际应用中,随着需求的提高和期望值的增大,人们对图像质量的要求却越来越高,尤其是一些用于事后取证的视频图像,要求能够准确辨认图像中的人脸、车牌等感兴趣目标。于是,有效地恢复出人们所期望品质的图像,提高图像的清晰度,就变得十分重要。目前,图像清晰化处理技术主要包含图像去雾和超分辨率重建等。去雾技术是为了恢复含雾图像的对比度和真实色彩,重现理想天气条件下拍摄的清晰图像。超分辨率重建技术是为了弥补实际成像系统硬件条件的限制,通过信号处理的方法,将退化的低分辨率图像融合为质量更佳的高分辨率图像,并去除低分辨率图像中的模糊和噪声。本文针对图像处理领域的这两项关键技术,在国内外众多专家学者的研究成果基础之上,进行学习探讨,完成的主要工作如下:1)去雾方面,研究实现了基于暗原色先验的单一图像去雾算法,并通过大量实验分析与讨论,发现其不足之处并推导出一种改进方法——引入容差机制。改进后的算法能更有效地处理不满足暗原色先验的明亮区域,纠正这类区域错误估计的透射率,从而克服原算法在处理这些区域时产生的色彩失真。实验结果表明,恢复图像消除了色彩失真,视觉效果得以显著提高。2)超分辨率重建方面,针对传统POCS(凸集投影)算法的局限性,提出一种基于POCS框架的时空联合自适应视频超分辨率重建算法。通过引入时空联合自适应机制,算法有效减缓了错误的运动估计信息对重建图像质量的影响,克服传统POCS算法对目标运动剧烈的视频序列重建时存在的噪声放大效应。实验结果表明,本算法有效缓解了噪声放大,重建图像主观质量得到了明显的增强,提高了信噪比。本文就图像清晰化处理中的两大关键技术进行研究,对该领域相关问题的解决和算法性能的提升做了有益的尝试和实验论证,这些尝试对于改善视频监控系统性能、提升其可靠性和鲁棒性具有重要意义。