图像已广泛应用到现代社会的各个领域,而由于数字成像设备自身限制以及成像过程受到外部环境的影响,导致图像中信息的丢失,即获得的是降质图像。其中,由模糊原因导致的图像降质,是图像复原中最基础、也是最根本的研究问题之一。由于图像模糊过程是个不可逆过程,通常需要借助图像先验或正则项约束模型解空间,来获取清晰图像的解。本文以图像梯度的统计特性为切入点,在最大后验概率框架下,充分研究了图像的先验特征,并提出了三种非参的图像盲去模糊模型。主要研究成果如下:首先,在图像盲去模糊估计中,基于L0范数的非自然稀疏先验在提取图像显著性边缘信息时容易导致平坦区域产生伪阶梯效应。考虑到非局部三维块匹配BM3D具有良好的去噪和平滑作用,本文建立了一种基于L0-BM3D的图像盲去模糊模型。该模型能够在提取图像显著性边缘信息的同时,利用图像的非局部相似性较好地保护边缘和平坦区域的光滑性,进而有助于模糊核的精确估计。在实验集上验证表明,所提去模糊模型能够有效地估计出精确的模糊核,并最终反卷积出边缘更细腻的清晰图像。其次,与传统自然图像先验不同,规范化稀疏先验模型更趋向于获得清晰图像解。但是,规范化稀疏先验模型存在着模糊核估计精确性低、效率不高、以及参数敏感等问题。为此,本文提出一种广义规范化稀疏先验模型,并利用ADMM算法推导出一种快速的图像盲复原算法。在相同条件下,与规范化稀疏先验模型对比,显示了本文所提方法在估计模糊核精度、计算效率以及模型参数鲁棒上的优势。最后,本文在广义规范化稀疏先验模型基础上结合了广义总变差模型,提出一种基于增强型规范化稀疏先验的图像盲去模糊方法。广义总变差模型提供了灵活处理边缘信息和平坦区域的自适应机制,通过引入的图像高阶梯度信息,可以高效地抑制规范化稀疏先验引起的伪阶梯效应,从而达到真实自然的图像去模糊效果。在合成模糊图像集和实际彩色模糊图像上将提出方法与当前具有代表性的盲去模糊模型以及L0-BM3D模型和广义规范化稀疏先验模型进行比较。结果表明,结合TGV的增强型规范化稀疏先验模型具有明显的优势,不仅盲去模糊效果显著,而且具有较强的鲁棒性。特别地,针对由于模糊核结构复杂或尺寸大等原因导致的严重模糊,本文方法依然能够取得很好的复原效果。