模糊视频复原长期以来一直是计算机视觉和数字图像处理领域的热点课题,保证模糊视频的高质量复原对于日常生活、医疗科学、安全监控等各个领域都有着重要意义。运动模糊是模糊视频中最常见的类型,早期对运动模糊视频的复原研究通常是将视频简化为单帧模糊图像进行复原,这类研究方法利用帧内信息,而忽略了帧间的互补信息。近年来,卷积神经网络用于运动模糊视频盲复原已经取得了较好的效果,这类方法可以有效利用视频邻近帧之间内容一致但清晰程度不同的互补信息,来提高运动模糊视频的复原质量。而视频具有一个重要的特性,为长距离时空依赖性,即远处视频帧中依然包含大量与待复原目标帧相关的清晰纹理细节。因此,增强网络对远处视频帧互补信息的捕获,有效利用视频帧间的长距离时空依赖,成为提高运动模糊视频复原质量的关键。研究表明,将视频输入帧特征离散为特征补丁,并用于直接匹配帧间锐利特征补丁,是提高视频复原网络对帧间互补信息捕获能力的一种有效途径。但是,视频中目标的复杂运动轨迹通常会造成帧间内容严重错位,并且较大的运动会引入剧烈的模糊,使网络难以捕获到准确的帧间互补信息。为此,本文通过开展基于补丁融合网络的运动模糊视频盲复原方法研究,增强视频帧间的长距离时空依赖,达到提高运动模糊视频复原质量的目的。本文开展的主要工作如下:（1）提出了基于多尺度补丁融合网络的运动模糊视频盲复原方法。该方法根据补丁合成思想,设计了多尺度补丁融合网络（Multi-scale Patch Fusion Network,MPFN）,通过直接匹配、融合视频帧序列中任意相似特征补丁,可以更好的获取视频帧间时空依赖,消除视频中目标复杂运动与剧烈模糊对学习帧间互补信息的影响,以应对现有方法在获取视频帧间长距离时空依赖上所面临的挑战。该网络主要由多尺度补丁匹配模块和补丁融合模块组成。多尺度补丁匹配模块用于从所有输入视频帧特征中匹配出相似、可用的锐利互补特征,为目标帧特征复原提供关键的纹理细节。其中多尺度网络结构有利于提高视频帧中锐利特征的匹配精度。补丁融合模块用于融合多尺度补丁匹配模块得到的锐利特征信息,并且为帧间互补信息中更为清晰、相似的内容赋予更大权重,进一步提升模糊视频复原的质量。最后,在Go Pro数据集和Video Deblurring数据集上开展了验证实验,实验表明:MPFN能够有效利用视频帧间长距离时空依赖,实现高质量的运动模糊视频复原。（2）MPFN在特征补丁匹配上是将图像特征分割为互不重叠的特征补丁,在一定程度上降低了补丁匹配的灵活性和泛化性,并且存在补丁错位的现象。为此,本文提出了基于补丁对齐融合网络的运动模糊视频盲复原方法,该方法设计了补丁对齐融合网络（Patch Aligned Fusion Network,PAFN）用于解决上述问题。PAFN主要由精细化补丁匹配模块和补丁对齐融合模块组成。首先,精细化补丁匹配模块用于解决多尺度补丁匹配模块中补丁匹配的灵活性问题,该模块将输入帧特征离散为部分重叠的特征补丁,并进行匹配。这样增大了锐利特征补丁数量,使得补丁匹配更加灵活,可降低目标特征补丁与匹配的锐利特征补丁之间内容位置偏差,提高特征补丁匹配精度。其次,补丁对齐融合模块用于解决补丁匹配过程中不可避免存在的补丁错位问题,该模块将匹配所得锐利特征与目标帧中深层图像特征通过可变形卷积进行对齐,然后再进行补丁融合。由于可变形卷积不规则卷积核所带来的灵活特性,付出较小的计算代价获得锐利特征与目标帧特征间准确的像素关系,消除补丁错位对视频复原质量带来的影响。经过对MPFN中网络结构的改进,PAFN有效提高了对运动模糊视频的复原的质量。为验证所提出方法的有效性,本文在Go Pro与Video Deblurring两个模糊视频数据集上开展消融、对比实验。实验结果表明:对于运动模糊视频,MPFN和PAFN均能够有效利用视频帧间长距离时空依赖,且运动模糊视频的复原质量优于现有主流方法。同时,PAFN相比于MPFN复原效果更好,鲁棒性更强。