随着深度学习算法在图像去模糊领域的不断发展,研究人员的主要思路是通过加深网络来提高算法去模糊的效果,然而,这种思路使得网络算法的复杂度较高,对于算力的需求比较大,也使得去模糊工作需要消耗大量的时间,忽视了算法的速度,实用性较差。因此,本文利用生成对抗网络围绕图像去模糊问题展开研究,主要的工作包括:（1）基于双向特征金字塔的生成对抗网络图像去模糊算法。为了提高图像去模糊的效果,增强生成图像的细节信息。首先,在生成器部分引入了双向特征融合的特征金字塔网络,在传统特征金字塔网络的基础上,本文加入了一条自下而上的通道,这样可以提高底层特征的利用率,增强细节纹理信息,同时该通道可以提高自下而上的信息传输效率,能够使训练过程更快更好的收敛。然后,提出了改进的Res Next网络作为本章模型的骨干网,并引入了一种有效的通道注意力机制网络。该通道注意力机制在处理过程中获取每个特征通道的重要程度,根据通道的重要程度和相关性设置权重,优化提取效果。最后,判别器在采用Patch GAN的基础上,将批归一化（Batch Normalization,BN）替换为组归一化（Group Normalization,GN）,并采用Leaky Relu激活函数。完成了以上的改进工作后,本文与目前较为常见的几种图像去模糊算法进行了对比实验,取得了较好的实验结果,对于图像的修复质量有了很好的提高。（2）基于深度可分离卷积的生成对抗网络图像去模糊算法。为了更好地解决常规图像去模糊算法中普遍存在的速度慢、计算量大、参数多的问题,本文提出了基于深度可分离卷积的生成对抗网络用于图像去模糊工作。第四章在第三章改进的基础上,将骨干网络设计为一种基于深度可分离卷积的网络。首先,在深度卷积前加入了一层1×1的卷积用来扩张特征通道,然后,将最后一层的Relu激活函数去掉,改为线性函数输出,最后,将中间的Relu函数替换为Relu 6,这样改进的目的是为了降低信息损耗,提高生成图像的细节质量,以达到更好的图像去模糊效果。在最后的实验对比中,本章提出的改进方法在模型大小、计算速度上都有了很明显的提高。