传统的图像去模糊算法假设图像模糊是一致的也就是空间不变的，这时图像去模糊问题也就是一个图像反卷积问题。而近年来空间变化的图像模糊问题受到了研究者的关注，这时图像中的模糊不再是空间不变的而是变化的。但空间变化模糊存在两个主要的问题，一是空间不变的模糊也就是图像反卷积问题本身是一个病态问题，虽然现在有了一些成功的算法可以处理许多模糊图像，但是将这些处理空间不变的模糊的算法框架扩展到空间变化的模糊情况时，由于算法复杂度的增加，可能导致算法失效;另一个就是由于空间变化模糊要估计的参数过多会导致算法耗时很长。而为了解决这两个问题，本文做了以下的工作。　　首先本文提出了两种鲁棒的图像去模糊算法。一种是在传统图像去模糊算法中引入图像分解的相关操作来提高算法的鲁棒性的算法。通过分析发现，图像中的尺度小的边缘会对模糊核估计造成不良的影响，而传统的基于阈值的算法并不能很好地去除这种尺度小的边缘，因此我们采用基于算子的图像分解算法有效的将尺度小的边缘从图像中分离出来从而提高了算法的鲁棒性。另一种是针对压缩图像的去模糊算法主要针对最常用的JPEG格式的图像，其图像中的块效应会在反卷积过程中被放大。我们使用超拉普拉斯分布对压缩噪声进行建模然后采用变量分离的算法进行快速求解，在求解的过程中我们加入压缩图像DCT域的限制来保证算法能够得到正确的结果。　　其次我们针对由相机抖动带来的空间变化模糊，提出两种处理算法。第一种我们考虑相机抖动模糊为3个自由度的相机运动造成，分别是水平和垂直方向的平移以及绕光轴方向的旋转，在求解时我们发现相机旋转与平移可以分离开来，使得FFT变换可以用来加速计算，使得算法效率提高。另一种我们利用运动模糊核的稀疏性，放弃传统去模糊算法直接在一个大的参数空间中估计参数及权重的方法，而设计一种新的算法可以只估计相对运动轨迹上的有效点来对图像进行处理，这样做可以大大加快空间变化去模糊算法的速度。并且这两种算法我们都不需要对图像做分块处理，也避免了其可能带来的问题。　　最后我们研究了如何去除由场景深度变化带来的空间变化模糊。我们提出了一种全新仅仅需要单帧图像的算法来处理这种模糊。该算法通过估计出场景的一个大概的深度来更好的复原模糊图像。算法利用了模糊稀疏性的假设，在去模糊算法迭代的过程中加入了深度估计的步骤。　　为了验证本论文中所提出的这些新算法的性能，我们通过对仿真和实际例子的一些实验，系统地比较了所提出的新算法和其它一些主流算法的实验结果。实验结果表明，本论文算法在有效性、准确性、运算速度和鲁棒性等方面都有着各自的优势，为研究和改进图像去模糊算法以及它们的实际应用等方面做了有益的尝试。