遥感是一种重要的对地观测手段,从获取的遥感图像中提炼的诸多关键性信息,已被广泛应用于侦察、监测、防治、预警等领域。在遥感成像的过程中,由于拍摄距离远、扫描速度快、外界光干扰、大气湍流及大幅宽成像等因素造成的图像模糊,在很大程度上降低了图像质量。遥感图像去模糊的主要任务是在去掉遥感图像模糊的同时保留其关键特征信息,以使遥感图像应用到更多实际领域。现有大多数图像去模糊算法都是在已知模糊图像的点扩散函数即模糊核和图像噪声的前提下进行处理,即便模糊核和噪声未知,也会通过一定的方法对它们进行预估和假设。但是在实际情况下的成像过程中,遥感图像产生模糊的原因复杂且具有可变性,无法精确得知模糊核及噪声分布。为此在图像退化因素多变且不明确的情况下,对遥感图像进行精确去模糊算法研究是非常必要的。论文围绕遥感图像去模糊问题展开研究,以基于生成对抗网络的去模糊模型为理论依据进行图像去模糊,以提升遥感图像质量,包括端到端的遥感图像去模糊模型和轻量化的遥感图像去模糊模型。论文的主要研究与创新点如下:1、提出一种基于自然感知WGAN(Wasserstein Generative Adversarial Networks)的遥感图像去模糊算法。该算法的目标是训练得到一个端到端的去模糊网络模型,该网络模型分为两部分:一部分是生成器,采用基于残差块的卷积神经网络结构,进行去模糊处理,生成清晰的遥感图像;另一部分是判别器,用来对网络生成的去模糊图像与原始的清晰图像进行判别,一方面判断图像的真假,另一方面也辅助生成网络生成更为接近真实图像的去模糊图像。为了保证生成图片的自然真实性,通过添加内容损失和感知损失来重新设计损失函数。相对传统方法根据图像先验来预估模糊核,该方法处理模糊图像的精确度更高、范围更广、效果更真实、适应性更强。2、提出一种基于深度可分离卷积的遥感图像去模糊网络优化算法。该算法的目标是在保持前面模型去模糊效果不变的同时,缩小模型大小,提升网络效率,使得网络模型更加轻量化。由于在前面模型结构中存在许多卷积运算,用深度可分离卷积代替普通卷积将很大程度上减少网络训练的权重参数,减少模型训练时间。该方法在整体视觉效果和图像质量评价指标上相对其他方法都有一定改进,且有效地缩小了模型大小,这使得该算法的应用范围更广,或可直接在嵌入式上实现。