本书从高斯混合模型的块先验学习模型角度进行了全面深入的研究。针对高斯混合模型块模型固有的整体模型强制局部性, 无法实现图像更大范围块协同处理的问题, 提出一种Wasserstein距离梯度直方图约束的多尺度高斯混合块先验模型, 将梯度直方图全局统计先验引入到多尺度块先验建模; 针对全局高斯混合模型限制利用图像中邻近块的相干性, 提出一种基于分层贝叶斯的局部高斯混合块先验模型, 并对模型参数引入先验知识, 还利用了邻近块的相干性; 针对传统全局高斯混合模型分量数目固定, 以及单一外部先验建模能力有限的问题, 提出一种基于狄利克雷过程混合模型的图像复原模型, 实现模型复杂度动态调整, 利用变分参数对于模型分量可扩展性以及统计量的可累加性, 实现图像内外部块先验结合。并列题名：Research on image patch priori modeling eng