在图像拍摄过程中,由于拍摄物体的移动、失焦等因素,使得拍摄图像模糊不清。这些退化图像通常无法满足人们的需求,因此去除运动模糊、提高图像质量逐渐成为人们研究图像复原的重点。运动模糊图像复原问题可以根据模糊核是否已知分为两类:一是可以确定模糊核的图像非盲去模糊问题,二是模糊核未知的图像盲去模糊,但实际生活中,大多数运动模糊图像的模糊核都是未知的。近年来,随着人工智能的兴起,对其研究具有重要的科研价值和现实意义,因此本文主要利用深度学习的知识,针对盲去运动模糊、减轻噪声影响和恢复清晰图像等方面展开研究。本文主要针对单幅运动模糊图像复原,主要工作包括以下几个方面:(1)针对传统图像去运动模糊方法易放大噪声、产生振铃效应等问题,提出一种基于梯度域和深度学习的图像运动模糊盲去除算法。在利用滤波实现图像去模糊的基础上,提出利用引导滤波抑制无关细节,利用L0滤波加强图像的边缘,对图像进行预处理后,利用梯度域的图像进行训练的方法。提取训练好的模型参数,实现模糊核估计与图像复原。在去除图像运动模糊的同时,抑制了噪声的放大,图像复原效果较好。(2)传统方法实现模糊图像复原,必须要估计出精确的模糊核,但估计模糊核的方法对图像噪声很敏感,因此估计模糊核的过程需要精心设计。此外,若模糊核估计不准确会导致图像产生振铃效应,影响复原图像质量;利用CNN实现图像去模糊只在特定的模型下有效,使用范围有限。因此,提出基于生成对抗网络的卷积神经网络模型,采用端对端的方式,避免了模糊核估计不准确的问题,同时CNN去模糊不再局限于特定的模糊模型。该方法基于U-net和残差网络的深度残差生成对抗网络,无需估计模糊核,降低了算法复杂度,同时减轻了图像振铃效应。(3)为了更加深入的提取图像中的细节信息,利用由粗到细的方法,将图像多尺度处理与生成对抗网络相结合,利用端到端的结构,避免模糊核估计不准确对图像复原产生影响,减轻复原图像中的振铃效应,更好的恢复图像中的细节信息。通过一系列的实验验证分析本文方法的有效性,并与其他现有方法进行比较。实验结果表明,本文在有效去除图像运动模糊的同时,减轻振铃效应,提高图像复原质量。