视频拍摄中,图像采集环境差、成像系统退化和目标物体运动等容易导致采样视频存在不必要的模糊。研究者们提出了许多优秀的视频去模糊方法。但由于视频图像特有的时空相关性,如何综合利用时空信息依然有很大的改进空间。本文首先综合回顾了国内外研究现状,分析并实现了三种经典的视频去模糊算法:加权傅立叶聚合视频去模糊算法（Weighted Fourier Accumulation Algorithm,WFA）,基于编码-解码器架构的视频去模糊算法（Deep Video Deblurring Network Algorithm,DBN）,基于循环神经网络的视频去模糊算法（Spatio-temporal Recurrent Network Algorithm,STRCNN）,针对上述算法在视频去模糊过程中的不足,作出了如下工作:提出基于结构置信增量傅立叶聚合的视频去模糊算法。传统的加权傅立叶聚合去模糊算法对局部时间窗口中所有帧计算聚合权重,缺乏质量控制自适应加权机制,该算法采用基于结构置信的视频局部窗口图像清晰度排序,利用有序窗口中最清晰图像与上一次迭代生成的去模糊图像重建复原帧,以增量控制的方式根据重建图像质量判断是否需要进一步迭代,有效避免过分模糊相邻帧的不利影响。实验证明,在多种模糊视频数据集上,相比原始加权傅立叶聚合算法,该算法的去模糊性能有明显的提升。提出基于时空特征学习与傅立叶聚合的视频去模糊算法。针对传统深度学习视频去模糊算法未能充分利用视频时间相关性的不足,构造了一种三维卷积神经网络与傅立叶聚合的合成网络,具体而言,该算法通过三维卷积编码-解码器网络,学习窗口内视频帧的时空特征,并将三维卷积网络学习出的初始去模糊图像进行傅立叶变换,采用傅立叶聚合模块,进一步学习图像的傅立叶特征,最终根据训练好的深度网络生成去模糊视频。实验证明,在多种模糊视频数据集上,该算法不需要视频图像精准对齐,具有较快处理速度的同时也有不错的去模糊表现。最终,本文综合集成上述算法,初步研制了抖动视频去模糊软件,给出了软件流程与模块化设计,进行了系统运行与测试。针对抖动与模糊常同时出现在退化视频中,该系统集成了一种优秀的视频稳定化方法,实现了联合处理视频抖动与模糊退化,并为了直观对比不同算法复原效果,提供重建视频可视化与视频质量评价的功能。