随着计算机视觉的蓬勃发展,清晰高质量的图像在各个领域的需求越来越高,但在很多实际场景如监控、测量等,图像无法重复多次获取,且在获取过程中容易受到各种因素影响而导致图像质量的下降,模糊是导致图像降质的重要因素之一。为了满足实际应用的需要,在不改变硬件系统的条件下,开发有效的去模糊算法在计算机视觉领域有着重要意义。本文以单幅空间不变模糊图像作为研究对象,为了提高修复质量,本文的主要工作如下:（1）根据去模糊算法的不同分类研究了单幅模糊图像去模糊算法的国内外研究现状,分析了模糊图像的特点与退化过程,对几种经典的去模糊算法进行了实验、分析与比较。（2）自然图像的边缘分布具有重尾分布的特性,能被超拉普拉斯分布更好地近似,并且自然图像相邻像素点之间的像素值一般为连续变化,以低频分量为主,从梯度直方图上观察其梯度统计具有更多的零值。基于上述特点,为了提高恢复图像的质量,更多地保留图像边缘等细节信息,本文设计了一种联合超拉普拉斯先验和稀疏先验的非盲去模糊算法,通过大量的对比实验表明,该算法恢复出的清晰图像具有良好的视觉效果,且评价指标大多优于所对比的算法。（3）图像在模糊退化的过程中,其局部图像块的像素最小值会变大且最大值会变小。本文从理论上说明了这种现象的原因并将其作为约束信息引入到盲去模糊模型中。通过大量的对比实验表明,该算法可以在较短时间内估计出精度较高的模糊核,且恢复出的清晰图像具有较高的评价指标数值。（4）针对去模糊算法对噪声敏感的问题,本文改进了一种基于非局部均值和小波阈值的去噪算法。利用积分图像对传统非局部均值滤波进行加速,提高了计算邻域间相似度的时间效率。然后在小波域对方法噪声即原始图像与滤波后图像的差值进行分解与重建,最后再与滤波后的图像相加得到最终去噪的图像。实验结果表明,该方法能够在较短时间内去噪的同时有效保留图像的细节。将其作为去模糊算法的预处理步骤对含噪声的模糊图像进行去模糊处理,能提高去模糊算法对噪声的抗干扰性。