随着深度学习技术的不断发展,卷积神经网络在去模糊领域取得了显著的成果,但是去模糊领域仍然存在许多挑战。有效的去模糊网络设计,合适的损失函数选取,以及如何复原出更丰富的图像细节成为去模糊领域亟需解决的问题。论文针对单幅图像盲去模糊算法进行研究,重点探索基于深度卷积神经网络的端到端去模糊方法,并基于卷积神经网络,提出两种新的去模糊网络模型,主要工作如下:针对去模糊网络通常对特征图进行下采样,导致在学习过程中出现特征丢失问题,论文设计了一种高分辨率特征保持去模糊网络。与现有的串行连接方式不同,所设计的网络并行连接由高分辨率至各低分辨率特征子网络,无需经过由低分辨率到高分辨率的重建过程即可恢复高分辨率信息。另外,通过交叉连接各并行子网络来融合不同分辨率的特征图,从而可使网络自适应地选择去模糊特征来复原图像。最后,引入动态卷积核网络以非线性方式融合多个卷积核信息,自适应调节网络感受野大小,提高模型的泛化能力。实验结果表明,所提算法对多种类型的模糊均可取得理想的复原效果。为了解决目前的去模糊网络参数量大、运算时间长等问题,论文设计了一种简单轻量的渐进式残差去模糊网络。该网络利用浅层残差网络作为基准模型,其可充分利用图像的局部特征信息,加强反向传播时的信息流通。另外,论文通过多阶段递归调用残差网络并进行参数共享,可大大简化网络模型,减少网络参数。同时,引入注意力机制对输入图像与各残差网络的输出特征图进行通道注意力加权和空间注意力加权,提升网络的特征选择能力,实现更好的特征重建。实验结果表明,所提算法不仅能有效的去除图像模糊,同时网络参数量小、运行速度快。