伴随着智能便携设备步入千家万户,人们的主要交流方式已经从书面的文字通讯,衍生至照片、短视频等交流方式,图像信息可以更真实、完整地传达感情,但由于年代久远或拍摄时的抖动,导致图像产生了不可逆的模糊,部分图像信息被丢失,因而图像去模糊技术也逐渐展现出它的应用价值。本文就图像去模糊技术进行了深入的研究,本文的主要工作包括:(1)不拘泥于常规基于正则化理论模型的图像去模糊,本文提出了一种基于全变差深度网络模型。目前已经存在许多非盲图像去模糊方法,尤其是基于全变差(Total Variation,TV)模型的方法。然而如何自适应地选择参数,并更好地进行正则化,是一个关键的开放性问题。本文中所提出的模型能够在迭代过程中自适应地更新参数以获得最佳效果,该模型主要使用深度学习和先验知识建立基于全变差的深度网络,并计算正则化的参数,例如偏置、权重等。本文主要使用深度学习的思想,通过迭代运算完成参数的自动更新,这种做法可以避免复杂的手工计算,并减少大量的人工参与调试环节。通过与其他几种经典方法相比,本文的模型效果在保留细节和抗噪性能这两方面,明显有更优良的结果。同时本文所提出的模型可以通过较少数量的训练集达到大量训练集所取得的效果,从而加快计算的速度。(2)对于有限计算能力的设备,例如嵌入式设备、移动设备等,高效的卷积神经网络体系结构是其最重要的硬性要求之一。近年来,虽然已经针对图像恢复提出非常深的卷积神经网络并取得较好的效果,但其对硬件的需求往往难以被满足,实用性能上存在极大的缺陷。本文提出高效残差密集连接块,以保证卷积神经网络的深度监督,有效的梯度流和特征重用能力。所提出的方法仅仅通过减少参数的数量和计算操作量,就实现了有效的图像恢复,并且无需使用任何特殊的硬件、软件设备,从而降低了训练和推演过程的成本。实验结果表明,在模型大小、所需参数甚至图像恢复方面,所提出的体系结构具有有效性。