图像去模糊是一个经典的计算机视觉问题,其目的是从模糊图像中复原出相应的清晰图像。图像去模糊方法根据模糊核信息是否已知,可以分为图像盲去模糊和图像非盲去模糊,本文针对图像盲去模糊问题并结合深度学习,搭建了三个深度网络进行图像去模糊,具体研究内容如下:首先,设计了一种基于注意力机制的多尺度动态场景盲去模糊方法。由于多尺度信息能有效地提升图像去模糊的性能,因此设计了一个“多输入-多输出”的多尺度网络结构进行图像去模糊。该方法通过利用基于注意力机制的特征融合模块,以有效地融合来自不同尺度的特征。此外,加入了一个带有不同扩张因子的上下文模块,用来增大感受野并提取不同尺度的特征。实验结果表明,本章方法不仅有利于提高图像去模糊的性能,而且在速度方面也占有明显优势。其次,设计了一种基于快速傅里叶变换的动态场景盲去模糊方法。该方法从频域和空间域两个角度出发,利用残差快速傅里叶变换模块和基于半实例归一化的残差快速傅里叶变换模块构建了一个编码器-解码器网络结构。在编码器阶段,通过利用基于半实例归一化的残差快速傅里叶变换模块来扩大每个尺度的感受野;在解码器阶段,通过利用残差快速傅里叶变换模块来捕获全局信息和局部上下文信息,以重建高质量的清晰图像。实验结果表明该方法可以明显提高恢复图像的质量。最后,设计了一种基于Transformer和小波变换的图像盲去模糊方法。由于模糊的类型不仅仅只有运动模糊,还包括散焦模糊等,因此该方法利用Transformer模块作为基本模块并结合使用小波重建模块设计了一个可以去除运动模糊和散焦模糊的网络。其中小波重建模块可以将空间域特征转换到小波域进行重建,从而提高了网络的学习效率。