随着人工智能的发展,机器视觉广泛应用于视频监控、医疗、诊断、自动驾驶等领域。然而,由于相机的感光单元质量参差不齐,拍摄者专业水平不足,拍摄环境恶劣,以及相机或者对象移动等情况,导致拍摄出的图像含有明显的模糊。因此,利用图像处理技术实现模糊图像恢复清晰图像极具实际应用价值。本文以卷积神经网络作为研究手段,主要针对单幅图像非均匀运动模糊任务展开研究,通过合理的设计网络模型,实现高效的图像去模糊性能。具体研究内容总结如下:1.现有的图像去模糊网络主要采用网络循环或多尺度迭代策略,造成参数量过大以及计算成本高等问题。因此,本文首先提出一个轻量级的多尺度融合编码去模糊网络（MFC-Net）。该网络将图像多尺度信息融合进单尺度去模糊网络的编码器中,有效的融合图像多尺度特征,在提高网络去模糊性能的基础上,加快模型推理速度。其次,针对非均匀模糊图像中局部模糊不一致性,本文提出区域注意力模块,将局部特征动态加权至不同感受野的特征向量中,增强网络对局部模糊的关注。同时,设计特征融合模块,增强不同尺度特征之间的关联性。最后,本文引入生成对抗性网络（WGAN）的方式训练网络,有助于恢复更加自然和真实性的图像。实验结果表明,本文提出的网络在性能、速度权衡方面优于现有的方法。2.为了充分利用不同尺度特征的信息,本文提出一种基于上下文信息增强的多输入W网络（MI-WNet）。首先在上述MFC-Net基础框架上保留图像多尺度输入编码融合的方式,将单尺度U形网络转变为W形网络。该设计有助于网络特征之间的有效融合,降低网络学习难度。此外,针对网络挖掘特征信息的局限性,本文在编码器与解码器之间设计了密集上下文增强模块,能够有效的扩大感受野并获得多尺度信息,并且采用密集连接的方式,充分的利用特征,使模型学到的特征更紧致。实验结果表明,所提出的MI-WNet泛化能力强,去模糊性能优越。3.图像去模糊部署以及可视化。本文将上述MFC-Net与MI-WNet网络模型进行在线部署,搭建一个实时图像去模糊系统。采用在线可视化去模糊效果,有助于直观的分析实际去模糊效果。同时,该系统能够在线替换网络模型,有助于图像去模糊网络的论证。