生活中,受物体运动、相机抖动、光线散焦等多种因素的影响,拍摄的图像往往会产生严重模糊的现象。图像模糊不仅严重降低了图像的感官质量,而且对许多计算机视觉任务产生了很大的影响。图像去模糊旨在从模糊的图像中恢复潜在的清晰图像,传统的去模糊方法大多针对简单、单一类型的模糊,基于学习的方法有了很大的进步。但是,由于复杂的动态场景,去除运动模糊造成的图像模糊核非均匀问题,仍然是图像去模糊任务中的艰巨挑战。并且,如何在恢复图像的纹理细节和模型参数之间取得平衡仍然是一个难题。本文主要贡献如下:首先,针对运动模糊核极其复杂的问题,本文利用可变形卷积设计了一个去模糊网络。该网络由三部分组成,第一部分是多尺度的特征金字塔模块,提取不同尺度的特征。第二部分是双通道残差模块,加强网络的特征提取能力。本文还添加了密集连接,这有助于较高层的特征更容易传递。第三部分是循环迭代模块,考虑到设计的模型不能一次循环就取得良好的去模糊效果,于是将第二部分获得的特征和模糊图像进行融合,再一次输入到网络的第一部分。经过两次循环,使得模型去模糊效果更好。在真实的数据集上,定性定量的评估表明本文设计的模型能很好的去除复杂的运动模糊,并且在模型尺寸,运行时间和去模糊图像的峰值信噪比、结构相似度方面可以与顶级的算法相比。其次,本文提出了一个新颖的去模糊方法:基于小波变换的卷积神经网络,它嵌入一级离散小波将模糊的图像分解为不同的频率域子图像带以分离图像的上下文、纹理信息,二级小波减小计算复杂度,加快训练速度。并且,本文还改编了Inception模块,通过添加通道缩放因子让每一个卷积核占有不同的权重,像素注意力机制进一步优化整个模块的参数配置,在达到原Inception模块相同功效的情况下,参数减少了3.5倍。本文的方法充分的结合了传统小波变换方法和深度学习方法的优势,在真实数据集和合成数据集上的实验结果表明,本文方法的去模糊性能可以与顶级的算法相媲美。此外,与传统的基于学习的去模糊方法相比,本文的模型在更少参数的情况下,去模糊的图像细节、纹理更丰富。