图像内容和结构的优化包括两方面内容：一是在对图像中色彩饱和度或亮度分布进行优化,使得更多的视觉信息、可以被人的视觉系统所感知：二是优化图像中视觉特征的空间分布,使得图像的构图获得优化。作为计算机视觉领域中的关键问题,图像内容优化和结构优化一直以来受到研究者们的广泛关注。本文对其中具体的两个子问题进行了深入的研究,一是图像清晰度优化,二是图像视觉显著区域学习。图像清晰度优化是图像内容优化的一种,其核心内容是图像的去模糊。本文首先对图像进行分块,学习每一块的模糊程度和图像熵信息,其次根据它们之间的相对关系计算得到每一块的去模糊参数,交替进行各向异性扩散滤波和震荡滤波两个过程来估计抖动轨迹,进而对模糊图像进行反向卷积,最后采用引导图像滤波消除块与块之间的边缘效应获得清晰图像。与传统去模糊方法相比,本文基于图像分块模糊程度的学习和参数估计,对不同抖动类型造成的模糊都有很好的适应性,并且算法的执行效率更高。在图像结构优化的过程中,视觉关注区域的正确预测对图像裁剪起着核心作用。本文首先基于人类视觉感知过程中的抑制反馈机制,提取出图像中不同的抑制关系特征,然后对其中的高层语义特征,又对它们之间的相对关系进行了独立的学习,最后对这些特征进行融合构建出准确的视觉关注模型。这里提出的方法同时考虑了底层特征和高层语义特征对视觉关注区域的影响,对复杂的场景也有很好的适应性。实验结果表明,本文提出的算法与传统的算法相比,具有更强的适应性和更高的算法效率,能够更好的对图像进行内容和结构上的优化。