在日常获取图像的过程中,受物体移动或相机移动等外界因素的影响,导致所拍摄照片会产生图像畸变。运动模糊是一种常见的图像退化问题,运动模糊图像复原技术一直以来是图像处理方向的研究热点,研究人员根据模糊核是否已知将图像去模糊方法划分为两类:模糊图像盲复原方法和模糊图像非盲复原方法。本文深入研究了运动模糊图像盲复原技术,对现有方法存在的缺陷进行了详细分析,提出了一种全新的基于多阶段的运动模糊复原网络,提高重建图像的恢复质量。本文所提出网络的先进性主要体现在以下方面:（1）针对传统去模糊方法所存在的细节丢失问题,构建了一种多阶段的运动模糊复原网络模型。本文考虑到传统去模糊方法所存在的细节丢失问题,参考目标检测算法中的多阶段检测算法,创新性的将去模糊任务分解为多阶段,分别是特征提取阶段、去伪影阶段和细节恢复阶段,特征提取阶段提取图像中的深层特征,去伪影阶段则是使用提取到的特征通过多尺度的去伪影网络进行伪影的消除,细节恢复阶段使用去伪影阶段重建的图像作为输入,通过同步卷积自适应的融合发现的高纬特征,进行二次重建,从而得到最终的重建图像。（2）研究了众多前沿网络模型,构建了自己的网络模型、优化策略和损失函数。首先,本文在特征提取阶段采用优化后的预训练残差网络,在去伪影阶段采用具有权重共享和跨阶段特征融合的多尺度网络,在细节回复阶段采用基于注意力思想的自适应同步卷积细节恢复网络。其次,本文所提网络中采用具有半归一化功能的非线性无激活块,提高了网络的学习能力和泛化性。最后,本文在网络中采用Adam W优化器进行梯度优化,将Charbonnier损失函数、边缘损失函数和傅里叶损失函数进行了结合作为网络整体损失函数,使网络收敛的梯度方向更优,提高了网络的训练效果。（3）研究了传统重建图像的评价标准,使用图片像素直方图结合峰值信噪比和结构相似性两种常规评价标准来评估重建图像的恢复质量,更好的评价了网络的性能。本文通过多个实验证明了所提网络的合理性。实验和数据分析给本文所提出的网络提供了理论支持,所提网络在多个数据集上进行了验证和测试。本文所提网络对深度学习和图像修复等研究方向均具有借鉴意义。