当今社会我们已经全面进入“互联网+”时代,新媒体和互联网已经深入我们的日常生活各个方面,图像、视频成为我们相互交流和获取信息的主要方式。图像运动模糊现象由于各种原因越来越常见,这对于图像的后期应用,如目标识别、特征提取、实时监控、图像数据分析等,带来了不同程度的困难,直接影响后续工作的质量和效率。开展运动模糊图像分析与理解的研究是适应国家各领域发展的需要,具有现实的理论意义和工程应用价值。近年来,许多研究者提出了一些解决方法,可以分为两类:一是通过去模糊化图像处理和学习技术对图像进行去模糊化处理,得到清晰的图像,然后在清晰的图像上再进行分析与理解。二是直接从运动模糊图像中提取模糊不变量特征,用于随后的分析与理解。传统的方法由于去模糊处理与后续的分析处理脱节,使得去模糊处理中估计的参数选择不能自动地适合随后的分析,而且对不同程度模糊化的图像缺乏鲁棒性。为解决这些问题,本文在深入研究图像运动模糊和稀疏表示基础上提出了数据驱动的自适应卷积稀疏表示模型。图像稀疏表示理论已经成为图像表示和图像识别领域的热点,为图像识别提供了新的思路和方法。本文针对运动模糊图像识别问题,在运动模糊模型的基础上,结合稀疏表示的优越性,提出了基于图像卷积的稀疏表示模型。模型能够转换成一个组稀疏优化问题求解,然后用快速的、稳定的和鲁棒的基于可变分割技术和交替方向方法的理论来求解,达到卷积模板数据自适应学习的目的,使得提出的模型对不同程度运动模糊的图像具有很好的鲁棒性。最后我们提出的模型应用到运动模糊图像识别领域,来验证算法的有效性和鲁棒性,在多个常用数据库的不同情形设置下,与相关算法进行对比实验,本文提出的模型都取得了最优的识别结果,验证了本文提出的模型对运动模糊图像处理的有效性和鲁棒性。