视频图像去模糊是计算机视觉领域的一个研究热点。近年来,随着计算机信息技术和人工智能的迅速发展,智能手机、数码相机等摄影设备也得到了日新月异的发展和普及。作为当今被最广泛使用的信息载体之一,视频图像更加直观地向人们展示了大量有用的信息,能够为人类记录美好生活、分享快乐回忆、以及传递人与人之间的情感。另外,在应用方面,无论是校园、工厂、煤矿下等场景的监控都需要高清稳定的视频图像,那么去除视频图像中的模糊是必不可少的重要步骤,这一课题的应用价值也因此而不断增加。传统的去模糊模型存在着计算复杂、推理效率慢以及恢复图像效果差等问题,而生成对抗网络（GAN）的出现成为了视觉应用中一个新的技术和工具,它可以使用生成网络生成逼真的高质量图像,并且通过对抗学习解决了大量的计算成本。而去模糊模型的优劣重点就是关注它的效率和结果,为了实现模型在速度和精度之间取得平衡,本文将具有深度结构的卷积神经网络Inception V4网络和轻量级Mobile V3网络分别与GAN相融合,根据需求去除视频图像中的运动模糊问题。主要工作集中两个方面:1.针对运动问题从原来如何处理得到清晰图像,到现在如何高效快捷地获得清晰图像,提出了一种基于轻量级GAN的实时视频图像去模糊新模型。该模型通过定义Patch GAN上设置了全局图像和局部特征的双尺度判别器作为判别网络;生成网络以轻量级Mobile Net V3为主干网并引入特征金字塔进行特征提取,以解决判别网络中特征信息利用率低以及生成网络推理效率慢的问题。在Go Pro数据集上的结果表明在具有较高的峰值信噪比和结构相似度的同时,比其他模型的推理速度提高了10-127倍。2.针对在视频图像中因为运动模糊导致目标检测效果不佳甚至检测不到的问题,本文集成了有效通道注意力机制ECA模块和Inception V4网络的特点,避免了降维和适当的跨通道交互学习,使得Inception V4可以更加准确的提取有效的特征信息,对视频图像进行高性能去模糊。在Go Pro数据集上的实验结果表明,基于GAN的高精度ECA-Inception V4视频图像去模糊模型平均PNSR达到了29.96,SSIM为0.935。并且本文将去模糊后的视频图像、模糊、真实清晰地面的视频图像在YOLO网络上进行了目标检测来证明了该模型具有一定的使用价值。