随着云计算技术的发展，用户可以方便地访问并租赁互联网中的共享资源，如果可以获得丰富的图像资源，那么是否能够将这些资源应用到传统的图象处理工作成为数字图像领域面临的一个崭新的问题。由于拍摄设备、自然环境以及人为操作等各方面的限制，图像在成像、传输或存储过程中不可避免地出现一定程度的退化现象，图像恢复是减轻或去除这种退化的主要方法。当前，一些好的图像恢复算法能以极大的保真度得到逼近原始图像的结果。基于正则化的图像恢复方法建立在变分学框架基础上，近年来得以迅速发展，取得了非常好的恢复效果。而不论何种图像恢复算法，都有一个明显的共同特征，即仅以当前观测图像为基础获取原真实图像的逼近解。假定云中存在一个大规模的图像库，且该图像库中包含一部分与原始图像内容相似的图像，如果可以利用相似内容这一先验知识进行正则化图像恢复，直观上可以得到更准确的结果。通过提交局部不变性特征描述子，基于内容的图像检索系统能够搜索到与输入图像相似的结果图像，但图像检索的目标并不是去恢复一个高质量图像。为了将图像检索技术融合到图像恢复中，并合理利用与检索结果内容相似这一先验知识，本文提出了基于云的图像恢复方法。本文的主要工作与创新点在于：1.提出了基于云的图像恢复框架。本文提出了基于云的图像恢复框架，将图像检索相关技术运用到图像恢复的过程中来。图像检索的输入是观测图像经过一步自适应的基于稀疏表示模型的图像恢复算法后得到的结果，检索结果经过处理后，可用于帮助中间恢复结果进行进一步的恢复工作。2.提出了自适应的基于稀疏表示模型的图像恢复算法。本文分析并总结了基于稀疏表示模型的图像恢复算法，并在此基础上提出了具有自适应性的稀疏表示模型。考虑到原有算法求解过程，随着迭代次数的增加，图像恢复效果愈来愈好，变换域的三维排列为消除噪声所设定的阈值应随迭代过程而变化，从而在去除噪声的同时可以保护非局部稀疏性。3.提出了基于云的稀疏正则化方法。基于云的稀疏正则化是基于云的图像恢复框架的核心方法。在进行特征匹配和图像变换的预处理过程后，利用自身图像与其他图像的相似性关系建立新的正则化约束项，进而更新了正则化图像恢复目标优化函数。