遥感图像日益向着高分辨率、大幅宽的方向发展,动中成像是目前增大幅宽的有效手段。然而,成像过程中卫星与拍摄目标之间的相对运动导致获取的遥感图像质量退化,无法满足高分辨率要求。图像复原就是从退化图像中尽可能复原潜在的原始图像特征,其中去模糊是图像复原的一个重要分支。传统的非均匀模糊复原算法的恢复图像质量严重依赖于模糊核的估计,且计算效率低、处理模糊种类单一。本研究旨在利用深度学习模型高效地去除遥感图像中存在多种模糊,具有明确的理论价值与应用价值。本文提出了基于卷积神经网络的遥感图像运动模糊复原算法,主要成果如下:(1)提出基于注意力机制的图像去模糊算法,采用多尺度注意力网络(MultiScale Attention Network,MSANet)。端到端的方法直接估计潜在的清晰图像,避免复杂耗时的模糊核估计过程。模型框架采用非对称的编码-解码网络。编码侧采用残差密集块,提高对输入图像的特征提取和表达能力。解码侧引入了多个简单高效的注意力模块,输出的初步复原图像实现了多尺度结构,输出的注意力特征图优化了解码侧清晰图像的重建过程。(2)提出暗通道先验损失和多尺度内容损失联合的损失函数。结合传统方法中图像暗通道先验知识约束清晰图像的解空间,提升模糊图像边缘和纹理区域的复原效果。多尺度内容损失函数监督不同分辨率下复原图像的质量,捕获不同尺度的细节信息。两者联合的损失函数优化了训练过程。实验结果表明,相比多尺度循环网络,多尺度注意力网络在GOPRO数据集上峰值信噪比提高了1.62%,复原图像视觉上边缘更锐利,纹理更清晰。(3)针对遥感图像的特殊性提出多分支的编解码网络。该网络由自适应卷积核与残差图像预测分支组成。核预测分支输出逐像素反卷积求得预测图像,有效处理模糊程度较小的模糊。残差图像分支针对严重模糊输出预测的残差图像。另外,解码侧的输入端引入自监督注意力模块,从全局角度利用模糊区域之间的关系,有助于恢复遥感图像中复杂动态场景模糊。(4)提出了由自然图像数据集和遥感图像数据集混合的新数据。增强了模型对遥感图像特征的提取和学习能力。公开测试数据集上的实验结果表示,相比于目前复原效果最佳的尺度循环网络,本文多分支网络在峰值信噪比(PSNR)提高了1.13d B,结构相似性(SSIM)提升了2.03%,能有效复原卫星捕获的模糊遥感图像。同时复原图像的速度也快于其他方法,提升了复原效率。