图像是当今社会人类获取信息的重要途径,而图像复原技术是图像处理领域重要的组成部分。图像去模糊技术作为图像复原技术中的核心技术之一,针对解决因图像模糊问题造成的图像质量退化现象,一直被广泛研究。图像去模糊问题属于不适定问题,处理的难度较大。由于图像模糊受场景深度,拍摄画面中物体运动等因素影响,运动模糊是非均匀的。针对解决非均匀图像模糊问题,在本文中,提出一种改进现有去模糊网络的方法,利用像素级模糊程度来辅助图像去模糊的深度学习方法。首先,针对现有的多数深度学习去模糊方法在网络的所有空间位置上使用共享卷积核,本文根据相机感光元器件在曝光时间内像素值的生成原理,提出通过时域中的颜色不确定性定义像素的模糊程度的方法,用来取代空间域中的模糊核。具体来说,本文首先训练一个模糊程度图生成网络,从输入图像和曝光时间内的事件数据中估计模糊程度图。其次,针对解决非均匀模糊问题,本文引入空间特征变换层到现有去模糊网络中,空间特征变换层利用模糊程度图生成一对仿射参数进而自适应地调整去模糊网络的中间特征,实现对非均匀模糊图像进行空间变化卷积。并且,本文通过多个对比实验和消融实验证明了本文方法的有效性和泛化性。最后,设计了一套图像去模糊系统——DDN（Degree-Deblur Net）系统,将图片去模糊处理过程可视化,实现了本文研究成果的成功转化。