传统的图像去模糊算法是通过估计模糊核的方式进行图像的盲去模糊，运行速度较慢，实际应用价值不大。受到近年来提出的图像到图像风格转换任务的启发，我们注意到图像的盲去模糊可以视为图像到图像的风格转换问题。所以本文着重于研究如何将生成对抗网络应用于图像的盲去模糊，同时还有研究如何在保证神经网络的去模糊质量的情况下，压缩模型大小和减少参数量。本文提出的减少生成对抗网络模型参数量的方法有两种思路，一种是设计用于图像盲去模糊任务的基于生成对抗网络的轻量级网络结构；一种是对一个训练完成的大型生成对抗网络模型进行剪枝。
　　本文设计了 GAN 反模糊网络的模型压缩算法，用于加快图像去模糊算法的运行速度。本文的实验结果表明，通过使用轻量级的网络结构或者神经网络剪枝算法，我们的方法可以在速度和准确性上表现出良好的性能。本文的主要工作如下：
　　（1）简要阐述了本文研究的背景和意义，之后探讨了国内外生成对抗网络的发展、模型压缩算法的进展和图像复原方法的研究现状。
　　（2）本文提出了一种应用于图像去模糊任务的轻量级网络结构，我们在时间效率方面优化了原本的生成对抗网络模型，并在后续的实验中验证和分析了本文提出的轻量级结构的有效性。
　　（3）本文提出一种新的用于生成对抗网络的剪枝算法，利用生成对抗网络的基本思想和结构特点来进行模型的优化，从而大大降低了生成对抗网络的参数量。
　　（4）本文分析和比较了我们的模型与当前最好的去模糊方法之间的性能差异。此外，我们开发了一款二维码盲去模糊iOS应用程序，并且在智能手机上验证本文提出算法模型的有效性。