图像离焦模糊检测致力于检测出数字图像中的离焦模糊区域和聚焦清晰区域,是一种像素级二分类任务,在图像质量评估、图像恢复等计算机视觉领域有着广泛应用。近年来,深度学习技术高速发展,其在离焦模糊检测领域也取得了极大成就。尽管如此,离焦模糊检测依然存在一系列问题,包括难以精准捕获目标区域边缘细节、难以正确区分同质清晰区域、难以检测清晰背景等。一方面,现存的方法一般仅关注离焦模糊图像的单一区域（清晰区域或者模糊区域）到相应真值的映射模型,而本文认为离焦模糊图像的清晰区域和模糊区域均包含对检测有益的信息。因此,本文提出双向互补学习网络,引入互补真值同时学习清晰区域和模糊区域到真值和互补真值的映射模型;双向学习原始图像的浅层级特征和深层级特征;信息补充、逐步重建精细的离焦模糊映射图以尝试解决难以精准捕获目标区域边缘细节和难以正确区分同质清晰区域等问题。另一方面,鉴于离焦模糊检测任务的真值一般由不完整的语义信息组成的特点,大多数现存的方法比较偏向于关注图像的浅层级信息而不太重视图像的深层级的语义、上下文信息。本文则认为图像的浅层级信息与深层级信息对于离焦模糊检测同等重要,因此提出特征均衡学习网络,均衡地融合和学习原始图像的多层级特征,以尝试解决难以检测清晰背景等问题。本文的创新性和主要工作可以总结为以下两点:（1）针对难以精准捕获目标区域边缘细节、难以正确区分同质清晰区域等问题,本文提出了双向互补学习网络。双向互补学习网络引入互补真值,以此同时学习清晰区域和模糊区域的互补特征,互补不足;同时分别建立了浅层解码子网和深层解码子网,双向学习原始图像的多层级特征,生成成对互补特征图;最后逐层融合成对的互补特征图,循环修正,生成最终高质量精细的检测结果。（2）针对难以检测离焦模糊图像存在的清晰背景等问题,本文提出了特征均衡学习网络。特征均衡学习网络以图像中间层级特征为中心建立解码输出支路,对称均衡地融合原始图像的多层级特征;同时利用提出的多尺度残差卷积模块循环地校正中间预测误差,微调中间层级预测图。通过特征均衡学习,无论图像的清晰目标与前景耦合还是与背景耦合,提出的网络都能获得高质量精细且鲁棒的检测结果。