盲图像反卷积(BID)的目的是消除或减少在采集或处理过程中发生的质量下降。由于在退化图像中缺乏足够的信息以明确恢复点扩散函数(PSF)和清晰图像,因此这是一个具有挑战性的不适定问题。尽管最近出现了许多强大的算法;然而,由于图像退化和退化的多样性,它仍然是一个活跃的研究领域。闭环控制系统具有通过设计有效的反馈优化来稳定行为响应和克服外部干扰的强大能力。在本文中,我们采用反馈控制来提高BID的稳定性,方法是将PSF的当前估计质量驱动到所需的水平,而无需手动选择恢复参数,并且将机器学习与反馈优化有效地结合在一起。设计反馈结构时的首要挑战是构造或选择合适的性能指标作为受控指标和反馈信息。我们提出的质量指标基于对反卷积斑块的模糊评估,以识别最佳PSF并计算其相对质量。基于卡尔曼滤波器的极值搜索方法被用来找到控制变量的最优值。为了找到更好的恢复参数,使用学习算法(例如多层感知器和袋装决策树)来估计通用的PSF支持大小,而不是尝试和错误方法。该问题被建模为模式分类和回归的组合,使用了多种训练功能,包括噪声指标,模糊指标和低级别统计信息。多目标遗传算法用于从多个显着性图中查找关键补丁,从而提高性能并节