相机抖动、目标运动和景深变化等原因会导致设备拍摄的视频中存在模糊。而模糊的视频会影响人类视觉感官质量和高层次的视觉任务。视频去模糊是一项具有挑战性的任务,其通常分为四个阶段:特征提取、相邻视频帧对齐、特征融合以及特征重建。本文的研究思路是利用相邻帧中的清晰像素融合参考帧中的对应像素,充分挖掘输入视频序列中的时空信息。实现该思路,需要解决两个最关键的问题:相邻视频帧精确对齐和自适应时序特征融合。针对这些问题,本文提出了两个递进式的解决方案。第一个工作,我们提出了基于多尺度可变形卷积网络的视频去模糊算法,提升了相邻帧对齐的准确性。它在相邻帧特征层面执行隐式对齐,解决了传统光流估计对齐不准确、计算量大的问题。我们首先通过实验验证了特征对齐比图像对齐具有更好的结果。然后提出了基于多尺度可变形卷积网络的隐式特征对齐模块,它利用可变形卷积的几何形变建模能力结合多尺度策略实现了从粗略到精细的特征对齐。对齐后的相邻帧特征和参考帧特征,在相同空间位置处具有对应的时序关系。所以特征融合阶段中使用11?卷积网络进行通道维度的时序特征融合,然后利用卷积层和残差块组成的网络进一步融合特征。第二个工作,我们提出了基于自适应时空卷积网络的视频去模糊算法,进一步提升了相邻帧对齐的准确性并且极大地提高了时序特征融合的效率。我们改进了可变形卷积,提出一种新的卷积计算方式Dcn Align。它将光流作为基础的位置偏移,并通过卷积网络生成残差偏移,解决了第一个工作中对齐网络训练不稳定、位置偏移值溢出的问题。特征融合阶段,基于动态滤波网络提出了动态局部滤波层,它具有特定于输入和空间位置进行局部特征变换的能力,实现了利用相邻帧中的清晰特征对参考帧中的模糊特征做自适应地像素级融合。我们将这两个算法在公开数据集上进行了定量评估和定性测试,实验结果表明算法具有非常高的准确率,可以有效去除动态场景存在中的非均匀模糊。