报道了一种基于贝叶斯统计概念的高效自适应加速迭代去模糊算法的开发。图像的熵被用作“先验”分布,而不是加法形式,在传统的加速方法中,松弛常数的指数形式被用于加速。因此,该方法被称为自适应加速后验最大熵先验(AAMAPE)。根据不同实验中的经验观察,利用前两次迭代得到的去模糊图像的一阶导数自适应计算指数。该指数提高了AAMAPE方法在早期阶段的速度,并确保了迭代后期的稳定性。在AAMAPE方法中,我们还考虑了非负性和通量守恒的约束。本文讨论了以熵为先验的贝叶斯图像去模糊的基本思想,并对该方法的超分辨率和噪声放大特性进行了分析。实验结果表明,与未加速的最大后验熵优先(MAPE)方法相比,所提出的AAMAPE方法在44%的迭代次数中获得了更低的RMSE和更高的信噪比。此外,AAMAPE之后的小波维纳滤波比最先进的方法给出了更好的结果。