相机在拍摄人脸图时,常常因为抖动、失焦等原因得到模糊图像。而当人脸图像被模糊化时,对人脸识别等高级视觉任务有很大的影响。人脸图像去模糊的目的是从模糊的输入图像中恢复出清晰的图像,从而提高识别精度等。因此,图像去模糊问题是图像复原领域里面的研究重点,而一般的去模糊方法在人脸图像上效果不佳。本文采用生成式学习方法,结合特征矫正模块,实现对模糊人脸图像进行高精度复原,主要工作如下:（1）基于高效自注意力的模糊信息矫正技术研究图像特征的提取和选择是图像处理过程中的重要环节。模糊图像特征存在不同程度的扭曲,准确获取具有一定难度。本文利用自注意力模块（Self-Attention Module,SAM）,以捕捉特征内部相关性,从而实现模糊图像特征的有效矫正,有利于后续图像恢复。同时,鉴于自注意力机制的高昂计算开销,本文采用了一种高效的自注意力机制,实现了性能与计算开销之间的平衡。（2）图像复原的生成式网络设计为增强复原图像的细节信息,本文综合采用多尺度特征金字塔融合方式以及渐进式生成方式,设计了配备校正模块的特征融合网络（Feature fusion network,简称FFN）,用于图像去模糊。该网络对人脸特征进行逐层校正和融合,最终生成细节信息丰富的高质量复原图像。本文与目前主流的图像去模糊算法进行了对比实验,实现了人脸复原方向的SOTA结果。在主观评价方面,本文复原图像细节丰富且模糊风痕较少,五官信息更清晰立体,提高了图像整体恢复质量。在客观指标方面,本文与其他方法对比了PSNR和SSIM指标,其中PSNR指标超越当前性能最优模型将近1.5db,SSIM指标超越1.5%。（3）图像复原网络的对比实验与消融验证本文与去模糊领域较为常见的近十种算法进行了对比实验以及自身关键模块的消融验证。在对比实验方面,本文从合成图像、真实图像、人脸识别准确率以及模型运行效率四个方面进行了对比。首先,本文采用了两种人脸对齐后的合成图像测试集和六种自己制作的合成测试集进行去模糊对比,并实现了复原效果最佳和复原指标最高。然后,本文在公认的真实测试集,实现了更高的复原质量以及人物特点（例如,痘痣）的精准复原。最后,本文在所有去模糊算法中复原人脸识别准确率最高。与此同时,本文的采用中等大小的模型实现了较高的运行效率。