图像非盲解卷积是图像复原与科学成像中的一个重要问题,它旨在从给定的模糊图像及模糊核中还原出潜在的清晰图像。近年来,监督式深度学习成为了解决图像非盲解卷积问题的主流方法,其通过大量的（模糊图像,模糊核,清晰图像）三元组数据来训练神经网络模型,获得了远超传统非学习方法的性能。然而,在不少应用中,例如生物、医学和天文成像,真值的清晰图像的采集成本大、采集难度高,有时甚至是不可能获得。这限制了监督式深度学习方法的可用性。无监督学习可以避免真值图像的采集和使用。但是,目前对于无监督图像非盲解卷积的研究较为稀缺,现有方法所假定的训练数据及学习场景具有一定限制。而且,这些方法的性能与监督式方法有明显差距。为解决上述问题,本文针对两种场景,分别研究有效的无监督图像非盲解卷积方法,以实现性能的提升。在第一个场景中,假定有源域的预训练模型,但缺少目标域的真值图像,而学习的任务是把源域模型以无监督的方式迁移到目标域上,实现模型的无监督域自适应。对此,本文提出一个基于自生成的损失函数,把去模糊结果作为伪清晰图像,并以此重新生成模糊图像来构造配对数据,从而进行自监督训练,实现模型的有效迁移。在第二个场景中,进一步假设不存在任何预训练模型,而直接在目标域进行无监督训练。对此,本文提出了一种自监督训练方案,利用重加噪机制及模糊核多样性来逼近监督式学习,并通过自生成数据进行伪监督学习,提升模型对模糊核误差的鲁棒性。此外,本文提出了一个基于模糊核扰动的集成推理方案,进一步提升结果对模糊核误差的鲁棒性。本文通过在自然图像、显微图像及天文图像上的大量实验验证了所提出方法的有效性。实验结果表明,本文的无监督域自适应方法能显著提升预训练模型在目标域的非盲解卷积性能,而对于预训练模型不可用的场景,通过本文的无监督学习方法也能获得接近甚至超过有监督模型的性能,并远超现有的无监督学习方法。本文成果大大提升了无监督图像解卷积的实用性,并能为其他图像复原任务的无监督学习研究提供借鉴和新思路。