图像盲复原是指在点扩散函数未知或者已知部分信息的情况下,从观察到的退化图像中恢复出清晰原始图像,是一个病态逆问题的求解。在计算机视觉领域,去除图像模糊是一个具有挑战性的问题。模糊种类大致分为三类,运动模糊、散焦模糊和高斯模糊。主要针对图像复原问题,本文使用深度学习的方法对模糊图像进行恢复。首先,提出了利用u-net多尺度网络结构恢复高斯模糊图像的方法,避免了一些传统算法中对模糊核与图像交替估测的过程,减少了计算量。网络采用端到端的训练方式,解决了因为模糊核估测不准确导致图像恢复会有大量“伪迹”的问题。实验比较了不同损失函数对网络重构能力的影响。实验结果表明使用u-net多尺度网络结构能更好的保留图像细节信息,采用₁l范数损失函数图像恢复效果更好。其次,传统算法中清晰的图像边缘信息有利于图像与模糊核的估测,受此启发,在多尺度网络u-net的基础上增加两个子网络,子网络从模糊图像中学习出原始图像的梯度信息,然后将梯度信息作为先验信息引入到u-net多尺度卷积神经网络的学习中。实验表明,加入梯度先验信息后,图像重建结果有明显改善。当使用不同子网络时,残差块优于普通卷积层。最后,为进一步提高图像重构的质量,引入了条件对抗生成网络框架。对抗生成网络包括两部分,生成网络和鉴别网络,也称为生成器和鉴别器。生成器为第三章提到的网络结构,鉴别器为卷积层与激活函数构成的网络。实验结果表明使用对抗网络有利于提高图像重建质量,可以取得更好的效果。