图像是现代社会人类传递信息最重要的手段之一。在实际场景中,由于人为操作、场景的限制、自然环境以及传感器的局限性等因素,无法避免地会导致图像模糊。这种模糊不仅严重地影响了图像的清晰度和视觉质量,而且直接影响到图像在精准医学、智能交通、视频监控、航空和民用工业等各个领域的广泛应用。因此,对图像去模糊技术的研究具有很高的社会经济价值。动态场景模糊是由相机抖动、多目标运动、曝光时间内场景深度变化、运动边界遮挡等多种因素造成。由于其成因非常复杂,且模糊图像中不同区域或像素经历的模糊过程和模糊程度各不相同,模糊呈现非线性特性。为此,动态场景图像去模糊难度极大,是图像去模糊领域长期存在的最具有挑战性的问题之一。针对动态场景图像去模糊,研究人员基于深度学习技术提出了各具特色的网络模型,并取得了一定的进展。但由于动态场景模糊的成因复杂,加之深度神经网络的局限性,现有的网络模型普遍存在去模糊效果不理想和鲁棒性较差的问题,特别是对于动态场景图像中模糊程度严重的区域或目标。本论文在深入分析动态场景模糊图像及深度神经网络的特点基础上,以深度神经网络结构设计为切入点,对动态场景去模糊方法展开了系统的探索性研究。提出三种有效的动态场景图像去模糊方法,本论文的主要工作如下:（1）针对现有网络模型在学习复杂动态场景模糊的非线性模糊特征时能力受限,导致动态场景去模糊效果不佳的问题,本论文提出了一种端到端的多宽度激活和多感受野网络方法,以充分挖掘深度网络模型的潜能,提高对复杂模糊特征的学习能力。该方法首先构建了一种多宽度激活特征提取模块,其中设计的多宽度激活残差模块利用1×1的卷积层在激活函数前改变特征通道数,解决了现有网络模型在激活函数之前特征通道数量较少的问题,可以提取到更宽度的非线性激活特征,学习到更多动态场景图像的非线性模糊特征。其次,该方法构建了一个多感受野特征提取模块,其中设计的多感受野残差模块,采用不同的卷积核来获取不同的感受野,使得网络模型能够从较远的像素位置捕获更多的非线性模糊特征,解决了网络结构中感受野单一的问题。最后,设计了一种多尺度特征融合模块,其中设计的可学习融合结构,利用卷积、逐元素相乘和相加操作,实现了自适应融合来自不同模块的多尺度特征和复杂的非线性模糊特征,并重构出高质量的动态场景图像。（2）针对现有基于多尺度和尺度循环框架的方法存在强边缘等信息丢失和网络模型性能饱和的问题,本论文提出了一种逐步下采样和自适应引导网络的动态场景图像去模糊方法。该方法中提出的网络框架可以避免强边缘和其他高频信息损失。该框架主要包括三个阶段,每个阶段的输入图像都是原始图像,不进行任何预处理和缩放采样操作。在每一阶段,利用具有可学习核的卷积神经网络对原始图像进行空间降维,可以更好地整合全局信息,保留必要的细节信息。最重要的是,这个设计使网络获得了更多对图像去模糊至关重要的信息,如强边缘信息等,从而有助于网络模型学习到更有效的动态场景模糊图像与清晰图像之间的映射关系。其次,该方法构建了一个多尺度混合激活残差模块,用于解决单一激活函数致使网络性能饱和的问题。该模块的核心是通过混合不同的激活函数以及不同的感受野,更好的学习到复杂动态场景模糊的非线性特征,因此,可以有效提升网络模型的多尺度非线性特征的提取能力。最后,该方法设计了一种多监督策略,以解决神经网络对输入数据的敏感性的问题。该策略强制将每一阶段输出的粗潜在清晰图像和标签图像计算均方差损失,使网络模型获得更稳健有效的特征和去模糊映射关系,并使网络训练更稳定和收敛更快。（3）针对现有基于深度神经网络的方法,普遍无法处理局部或全局模糊程度严重的动态场景模糊的问题,本论文提出了一种多流注意力生成对抗网络的方法。首先,根据同一幅动态场景模糊图像中不同区域或目标的模糊程度因像素不同而不同的特点,提出了一个注意力引导模块来生成注意力引导图,引导特征提取和去模糊过程将注意力聚焦在模糊严重的区域或目标及其周围结构。因此,该方法无需增加卷积层的数量、卷积核大小等来扩大感受野,就可提高网络模型对模糊程度严重区域的去模糊能力。其次,该方法设计了一种多流多尺度特征提取策略,利用注意力流和多尺度流来解决单一网络结构在提取多尺度特征时的局限性问题。基于此策略,该方法设计了一种由多尺度特征和注意力特征提取模块组成的多流多尺度特征提取模块,用于更好地提取模糊程度严重区域或目标的多尺度特征和注意力特征。结合上述特定的设计,本论文提出的多流注意力生成对抗网络能够进一步改善动态场景图像去模糊的质量。为验证本论文提出的三种方法的有效性和鲁棒性,在多个公开的权威数据集上进行了实验。实验结果证明了本论文提出的三种方法在客观和主观指标上均取得了更好的结果,同时也降低了动态场景图像去模糊的时间消耗。