随着科学技术的飞速发展,智能手机、平板电脑等移动设备已经非常普及,但这种手持移动设备拍摄的照片不可避免地会出现模糊现象,严重影响了图像分类、语义分割等后续的处理和应用。因此研究图像去模糊问题具有研究意义和应用价值。传统盲去模糊方法主要利用自然图像的一些先验信息作为正则化项来求解图像去模糊数学模型,迭代估计模糊核进而估计出清晰图像,但此方法计算复杂,且恢复出的图像质量偏低。近年来,深度学习技术在图像盲去模糊领域得到了广泛的应用。本文运用卷积神经网络解决图像盲去模糊问题,主要工作如下。首先,为更好地解决由于相机抖动等因素引起的图像模糊问题,提出一种基于多尺度交替连接残差网络用于去除非均匀运动模糊,采用“从粗到细”的多尺度网络结构逐渐恢复出清晰图像。实验结果表明,该算法具有更强的图像恢复能力,能够有效提升图像去模糊效果,具有较强的实用价值。其次,针对目前用于图像去模糊的单任务卷积神经网络高频细节丢失、不加区分地处理空间和通道特征信息等问题,提出一种基于双任务卷积神经网络的图像盲去模糊算法,将图像盲去模糊任务分为去模糊子任务和高频细节恢复子任务来进行。实验结果表明,该算法与目前先进的去模糊算法相比能够有效提升图像去模糊效果,使图像纹理细节更加丰富。最后,针对目前用于图像去模糊的卷积神经网络模型计算复杂度高、运行速度慢以及网络模型大等问题,设计了一种新型的跨尺度交叉融合的轻量级卷积神经网络模型,旨在去除模糊、恢复细节纹理、提升网络性能的同时减少模型参数量、降低计算复杂度和加快模型学习速度。实验结果表明,该算法较目前先进的去模糊算法有一定的优势,该网络模型小,运行速度快,细节恢复能力较强,能减少图像伪影。