随着拍摄设备的普及,人们可以将日常生活中的场景以图像的形式记录下来。然而,在拍摄时由于相机抖动或物体运动,获取到的图像经常会出现运动模糊现象。因此,对模糊图像进行复原是十分必要的。模糊图像复原的过程,也被称为图像去模糊,这一研究方向是计算机视觉和图像处理领域的重要任务。最近几年,基于深度学习的“端到端”去模糊方法变得越来越受欢迎。本文通过搭建多个深度网络对运动模糊图像进行学习,从而复原出对应的清晰图像。主要研究内容可以分为如下三个部分:（1）为了解决复原模型难以获取全局信息的问题,本文提出了一个全局感知生成对抗网络。通过引入全局上下文模块来获取全局信息,可以使模型更容易处理图像模糊。另外,考虑到模糊图像缺少细节信息,本文还提出了一个空间细节增强模块来自适应地学习特征的空间信息,并对特定位置的信息进行增强,从而使图像细节更清晰。实验结果表明,该方法不仅具有较高的定量评估结果,而且可以很好地去除模糊并恢复图像细节。（2）为了利用不同尺度特征所包含的信息,本文提出了一个多尺度特征融合网络。首先,提出了一个跨尺度特征融合模块来对不同分辨率的特征进行融合,从而提升去模糊性能。另外,还提出了一个多尺度卷积块来获取不同感受野下的局部信息,通过对不同卷积核提取到的特征进行融合,模型可以更好地保留图像细节。最后,本文还在多个尺度上对图像进行重建,使模型可以更准确地预测复原图像。实验结果表明,该方法不仅可以获得更高的性能,而且具有更好的视觉感知效果。（3）为了有效地去除局部区域和全局图像中的模糊,本文结合前两部分工作提出了一个加权空间金字塔特征融合网络。首先,采用空间金字塔的形式将输入图像划分为不同区域,使模型分别学习到局部区域和全局图像的特征,并提出了一个加权特征融合模块来对这些特征中的信息进行融合。另外,考虑到模糊图像中的高频信息退化严重,本文还提出了一种高频增强模块,使图像中的细节更明显。最终的实验结果表明,该方法在定性和定量方面不仅优于前面的两种方法,也优于其他方法。