图像作为信息接收和传递的重要载体,已渗入到社会生活的各个方面。在成像过程中,由于成像设备自身缺陷或其他外界因素的干扰,则会生成降质图像。其中,因在曝光时间内发生相机抖动或目标运动而导致的图像模糊问题,是图像复原任务中最基本,最重要的问题之一。本文以非均匀模糊视频图像为研究对象,以鉴别性图像先验知识为切入点,在对抗学习的理论框架下深入探讨端到端去模糊深度模型与算法。主要工作如下:首先,基于一个好的盲去模糊先验模型应该更倾向于清晰图像而非模糊图像这一基本思想,本文在探索传统方法中性能突出的鉴别性图像先验的基础上,尝试将鉴别性先验知识以损失函数的形式融入到神经网络框架中,以模型驱动结合数据驱动的方式进一步提升深度模型的性能。具体而言,分别尝试了基于梯度的鉴别性先验(DGP)损失函数和基于互反双通道能量(OCE)的鉴别性先验损失函数。在不改变深度去模糊模型Deblur GAN的网络架构前提下,通过实验证明了本文提出的互反双通道能量损失函数可以有效增强网络的去模糊能力。其次,鉴于Deblur GAN生成器的模型缺陷会限制整个模型的表达能力,本文从两个角度出发设计了更高效、鲁棒的去模糊模型—Deblur GAN+。一方面,设计了一种简单、稳定、鲁棒的特征提取网络—自编码器,并在其中引入了诸如跳跃连接、密集连接等关键要素,以此替代Deblur GAN中的原始生成器。另一方面,为进一步提升模型的去模糊性能,模型还结合了本文提出的基于互反双通道能量的鉴别性损失函数。在大规模动态场景模糊数据集和真实模糊场景上都验证了Deblur GAN+相较于Deblur GAN的优越性。最后,本文对基于深度学习的盲去模糊方法进行了批判性反思,主要从数据集和模型两个方面展开。一方面,数据集作为结果评价的重要指标,本文对经典数据集构建过程的合理性进行了反思。另一方面,评估新近代表性深度去模糊模型的实用性和鲁棒性。用于测试的数据集涵盖了真实动态模糊场景,合成以及真实静态模糊图像,全面评测深度去模糊方法在不同模糊类型场景下的去模糊性能。结果表明,尽管模糊数据集的合成手段日益完善,但还不能完全取代真实模糊图像;而深度去模糊模型在静态模糊场景上的表现距离传统方法还有一定差距。