随着智能拍摄设备的普及以及互联网技术的快速发展,视频分享逐渐成为人们日常交流的重要方式。但在拍摄的过程中,由于外界因素,例如镜头抖动、物体高速运动等造成拍摄视频出现模糊,导致视频质量下降,从而不利于用户观看与信息交流。因此视频去模糊成为图像处理领域研究的重点问题,具有非常重要的现实意义。近年来,随着深度学习在图像处理领域取得重大成功,基于深度学习的视频去模糊效果已经超越了传统的视频去模糊效果。与传统算法相比,深度学习无需手工设计特征,网络可以通过提取原始图像特征进行抽象表达。因此,围绕视频去模糊问题,论文从深度学习的角度展开研究,通过深度神经网络来搭建整体算法框架,达到视频去模糊的目的。首先,针对目前深度学习视频去模糊网络结构简单,特征图信息利用不够充分的问题,论文提出了一个基于DenseNet网络的视频去模糊算法。该算法以DenseNet为基础网络,按照编解码网络风格搭建整体算法框架,同时为了更好的利用上下帧信息,本算法将上一帧的部分训练特征提取后与下一帧训练的特征进行融合。实验结果表明,基于DenseNet网络的视频去模糊算法相较于其他主流的视频去模糊算法取得了更好的复原效果。其次,为了达到更精细的去模糊效果,论文提出了基于多尺度递归网络的视频去模糊算法。该算法利用现有多尺度网络由粗到精的思想,同时在各个尺度网络间添加递归连接,让不同尺度网络之间共享权重,使模型的学习能力更加稳固。实验表明,本算法提出的多尺度递归网络能有效提升去模糊效果。最后,基于以上两种算法取得的成果,论文提出基于DenseNet的多尺度递归网络视频去模糊算法。该算法结合了DenseNet与多尺度递归网络的优势特点,实验结果表明,本方法得到去模糊结果在各项评价指标上取得了最好的效果,充分证明了模型的鲁棒性与有效性。论文的研究针对实际问题,不仅可以提高用户的使用体验,同时对视频信息后续进一步的处理与传输提供了有效的保障。