随着深度学习方法在图像去运动模糊领域的不断发展,现有算法的主要思路是通过设计不同的网络模型或者加深网络来提高算法去运动模糊的效果,但是却忽略了图像的实际退化过程,在模型设计时没有考虑噪声的影响,且模型复杂,计算开销大,以致于去运动模糊效果在主客观评价指标上都有待提高。因此,实现更好的去运动模糊效果和简化网络模型是十分重要的。在此背景下,论文主要围绕运动模糊图像的去模糊问题展开研究,工作总结如下:（1）为了验证噪声对图像去运动模糊的影响,将经典的图像复原算法与BM3D去噪算法相结合,用于图像运动去模糊。首先,利用BM3D算法对模糊图像进行去噪预处理;然后,采用基于暗条纹的方法,通过Radon变换求出准确的模糊核信息;最后,采用经典的图像复原算法进行去模糊处理。实验结果表明,结合BM3D去噪算法后,去模糊效果提升,其中LR算法的PSNR提高了8.2%,但是却多了30min的运行时间。（2）为了设计耗时短且有去噪功能的去运动模糊算法,将经典的生成对抗网络与深度残差收缩网络相结合对图像进行去除运动模糊。首先,对深度残差收缩网络进行了改进,将深度残差收缩网络的卷积层放到了批归一化层和Re LU激活函数层的后面,顺序上的调整提高了模型的精度;然后,将改进的深度残差收缩网络作为生成器的骨干网络,从而提高信息传输效率,使训练过程更快更好的收敛;最后,将损失函数设置为对抗损失和内容损失之和,对抗损失由Wasserstein距离计算得出,而内容损失由VGG19网络提取特征之后,做均方误差得出。实验结果表明,与最新的MPRNet模型相比,本文模型对图像的复原质量有了提高,其PSNR和SSIM分别达到了32.67和0.965,但是参数量有小幅增大。（3）为了将模型应用于移动端,解决模型参数量巨大的问题,本文用深度可分离卷积替代了常规卷积,将骨干网络设计为一种基于深度可分离卷积的残差收缩网络,并将其与生成对抗网络相结合。实验结果表明,本章提出的改进方法在模型大小上有了很明显的减小。其模型参数量只有6.3M,相对于改进前的模型,降低了59.87%,但是PSNR和SSIM几乎持平。本文提出的图像去运动模糊算法,能够有效地改善图像的质量,并缩小网络模型,为后续的计算机视觉任务提供了保障,适用于大多数图像处理领域。