由成像设备获取的图像,因相机抖动、失焦或物体运动等因素而导致图像模糊,严重影响了人们对清晰图像的高质量需求。因此,图像去模糊问题一直是图像复原技术中的研究重点。传统的基于模糊核估计的反卷积图像去模糊方法适用范围受限且易受未知噪声影响,且复原图像仍然存在振铃效应,去模糊效果较差。而基于深度学习的图像去模糊方法却存在复原图像的细节丢失问题。基于此背景,本文进一步研究了三种基于深度学习的图像去模糊方法。主要工作和创新点如下:（1）针对传统图像去模糊方法中复原图像存在振铃效应的问题,提出一种基于生成对抗网络的端到端图像去模糊方法。该方法在特征金字塔网络中加入特征增强模块进行改进,将得到改进的特征金字塔网络作为生成器生成复原图像,并通过判别器进行对抗训练从而获得最终的去模糊图像。实验表明,该方法能有效去除图像模糊,减轻图像复原中的振铃效应,去模糊性能优于传统图像去模糊方法。（2）针对现有深度学习图像去模糊方法中复原图像细节丢失的问题,以多尺度卷积神经网络为基础,构建了基于多尺度卷积神经网络图像块的图像去模糊方法。该方法使用多尺度卷积神经网络来对图像进行从细到粗的优化,聚合多个图像块特征并在编码网络中加入通道增强注意力模块,从而提高去模糊效果。实验表明,与现有的深度学习图像去模糊方法相比,该方法能显著减轻图像复原中的振铃效应并恢复图像细节。（3）针对一般的深度学习网络模型无法准确建立图像模糊形成过程并且依赖训练数据的问题,从图像先验信息出发,提出一种联合深度先验图像去模糊方法。该方法利用自编码-自解码网络和全连接网络,分别对清晰潜像和模糊核深度先验进行建模,并通过联合优化得到最终的清晰图像,同时在去模糊模型中加入TV正则化和冲击滤波进行改进,从而提高方法的抗噪性能,增强复原图像细节。实验表明,该方法可以在不依赖大量训练数据的情况下有效提取模糊图像的先验信息、复原图像细节,振铃效应不明显、自适应性更高。