图像增强是一种消除图像成像过程中的噪声、运动模糊等干扰,改善图像视觉效果的底层视觉任务。经验模态分解（Empirical Mode Decomposition,EMD）是一种多尺度分解技术,可将非线性非平稳信号自适应地分解为若干不同尺度的分量。由于其自适应分解的特性,EMD及其拓展算法广泛应用于各种底层图像图像任务中。本文重点研究了经验模态分解在去噪和去模糊任务中的应用,将EMD与深度学习相结合,探索了EMD分解结果的强先验知识在图像去噪和图像去模糊深度网络中的有效性,具体如下:（1）针对二维经验模态分解和多元经验模态分解用于多图像分析时分别存在的唯一性、模式混叠问题和空间信息丢失问题,提出了二维多元经验模态分解算法（Bidimensional Multivariate Empirical Mode Decomposition,BMEMD）。该算法将二维多元图像投影至超球面的多个特征方向;通过每个方向投影图像的极值曲面估计二维多元图像的局部均值,解决了多元信号求解极值难的问题;使用二维筛选过程分解本征模态函数,良好保持了像素间的空间联系。此外,通过一种基于Hammersley序列的低差异投影向量生成方法可以得到在单位超球面上分布更均匀的投影向量,保证了局部均值估计值的准确性。通过合成纹理图像分解、多聚焦图像的分解与去模糊实验验证了BMEMD算法在多源图像分析中的有效性。（2）针对基于深度学习的图像去噪方法高质量训练数据难以收集,导致其在真实场景中泛化性较差的问题,提出了用于多帧图像去噪的经验模态分解增强的核预测网络（Empirical Mode Decomposition Enhanced Kernel Prediction Network,EMD-KPN）。首先,EMD-KPN使用BMEMD对含噪声图像序列进行噪声估计,并将噪声估计一同作为输入;其次,EMDKPN通过卷积神经网络提取特征,并通过注意力模块融合帧间时序特征和帧内空间特征;最后,EMD-KPN直接预测干净图像的粗略估计,并通过空间自适应去噪核完善高频信息信息。为了确保训练稳定性和收敛速度,BMEMD将干净图像序列分解结果的高频分量用于空间自适应去噪核的弱监督训练标签。通过不同噪声水平的合成数据实验以及真实场景下的图像去噪实验,验证了EMD-KPN的性能优势,说明了EMD提供的先验知识在图像去噪任务中的可行性。（3）为了进一步验证EMD分解结果中的强先验知识在不同任务中的有效性,提出了一种用于视频去模糊的双阶段时空循环神经网络（Dual-stage Temporal Spatial Recurrent Neural Network,DTSRNN）。针对直接通过模糊图像预测清晰图像的方法存在面临巨大的拟合难度问题,首先,由于不同感受野的特征对于不同信息的响应不同,DTSRNN使用双阶段网络分别预测高频细节信息和语义信息,从而减轻了学习负担;其次,DTSRNN以连续视频帧为输入,使用循环神经网络高效地完成时序特征的传递和融合,并通过时序注意力机制进一步调整特征,以避免场景突变、异常运动等情况造成的特征污染。此外,将BMEMD对清晰视频的分解结果用于双阶段网络的弱监督训练标签,进一步改善了DTSRNN的训练稳定性。通过在学术公开数据集和真实运动模糊视频上的实验,验证了DTSRNN优越的去模糊性能,阐释了EMD算法在视频去模糊任务中的有效性。综上所述,本文提出二维多元经验模态分解算法,验证了其在多源图像分析中的优势,并将其与深度学习相结合,阐释了BMEMD分解结果中的强先验知识在基于深度学习的图像去噪、图像去模糊任务中的可行性。为经验模态分解以及基于深度学习的图像增强算法研究提供了新的视角。