图像去模糊技术不仅是计算机视觉范畴内的研究热点之一,也是最基本且具有研究意义的课题。手持设备和被拍摄物体之间的相对运动会使图像产生模糊效应,而将复杂的模糊图像通过算法模型复原出清晰的图像是图像去模糊的主要目标。由于模糊核的生成不满足唯一性,因此图像盲去模糊即是一种不适定性问题,也是一种病态问题。随着深度学习技术在图像处理领域的不断应用,图像去模糊技术在评价指标、视觉效果上均有所提升。深度神经网络通过提取模糊图像中最具有代表性的特征,使用端到端的方式构建适用于模糊图像结构的神经网络模型,利用添加额外辅助信息的方法训练网络结构并使其达到最优状态,从而可以在不需要估计模糊核的情况下复原模糊图像。然而,模糊图像的生成过程较为复杂,去模糊过程中的多尺度特征、暗通道以及图像边缘等信息未能得到更有效地利用。因此,本文从图像的多尺度特征、边缘特征以及暗通道信息等方面展开研究,提出了三种有效地图像盲去运动模糊网络模型。主要研究成果如下:针对在模糊核估计不准确的情况下,复原后的图像依然会存在模糊区域这一问题,提出了基于多尺度端到端的编解码器网络模型。该网络模型利用图像的多尺度结构,逐渐将图像特征从“粗糙层”细化到“精细层”,在不需要估计模糊核的情况下,仅输入一张模糊图像即可得到相应复原后的清晰图像。同时,使用改进后的残差网络、跳跃连接等方式将低维信息与高维信息进行融合,这有利于清晰图像的生成。实验结果表明,所提出的模型相较于传统的SFD方法,PSNR分别提升约6.61d B和2.13d B,相较于MRF CNN、Multi-scale CNN以及Deblur GAN等基于CNN的方法,PSNR分别最高提升约5.61d B和1.59d B,实验结果均优于另外4种方法,复原后的图像更接近真实图像,纹理细节更加清晰。为了充分利用图像中的边缘特征,使其在去模糊过程中作为辅助信息帮助图像去模糊操作,提出了边缘细化网络模型。模糊图像经过模型的第一个阶段后会得到细化后的图像强边缘特征,该特征是由编解码器网络中每间隔两层抽取的特征执行融合操作之后得到的。将提取到的特征作为辅助信息与模糊图像一起输入到模型的第二个阶段,以此帮助模型进行模糊区域的去除。实验部分设置了有无边缘细化子网的消融对比实验,即含有边缘细化子网的模型比不含有边缘细化子网的模型在PSNR/SSIM上分别提升约1.51d B和0.072,进一步说明了边缘特征在图像去模糊中的重要作用。暗通道信息描述了图像中最小的强度值,将暗通道特征与深度神经网络结合,可以有利于图像去模糊任务。针对暗环境下拍摄的模糊图像,其与普通图像的区别在于,前者含有丰富的暗通道特征。为了有效地利用该特征,提出一种联合暗通道和边缘特征的多尺度去模糊网络模型。首先该模型利用GAN不断重建融合含有暗通道和边缘信息的图像,然后将重建后的融合图像与模糊图像作为多尺度去模糊模型的输入,在将不同尺度的低维特征与高维特征的结合下,最终生成清晰图像。该模型很好的解决了低光照环境下图像复原困难的问题,在Go Pro、K（?）hler和Li数据集上进行大量的实验表明,所提模型不仅可以较好的复原图像中的纹理细节,而且能够很好的处理暗环境下的模糊图像,去模糊效果均优于其他模型。