图像去模糊的研究成为图像处理领域的热门研究方向。在现实生活中模糊图像的模糊核往往是非均匀的,在深度学习领域想要实现非均匀模糊复原需要接收域完全覆盖每块需要去模糊的区域,而现有网络通过不断地堆积普通的卷积和增大卷积核大小来增大接收域。这些方法不可避免地带来了昂贵地计算成本,且这些网络模型的复原结果往往会存在棋盘伪影现象、纹理信息失真情况和缺乏泛化能力等等。为了在实现非均匀模糊复原的同时解决上述问题,本文主要工作如下:基于条件生成对抗网络进行了实现图像去模糊的网络模型设计和研究。生成对抗网络通过生成器和鉴别器两者对抗学习解决了传统卷积神经网络大量计算成本问题;采用像素重组上采样解决常规反卷积生成图像的棋盘伪影现象;结合U型网络架构和上下文模块配合跳过连接实现网络多尺度融合。提出了一个新颖的模块--通道自适应残差模块提高模型去模糊效率。存在非均匀模糊的图像被提取不同的特征分布在每一个特征通道上,该模块可以通过学习计算每个通道的权重,根据每个特征的模糊程度和信息的重要程度自适应地提取。本文将该模块嵌入到上下文模块设计中实现多尺度特征融合进一步的提高性能。提出了基于强边缘提取的图像去模糊网络模型做进一步改进,以提高在不同模糊情况下的复原效果。本文使用强边缘提取网络和去模糊网络相结合,通过提取模糊图像的强边缘进行预处理以及在损失函数中加入边缘损失提升网络图像细节复原能力。经实验,在基准动态场景去模糊数据集中与现有技术的广泛比较表明,所提出网络可以有效地实现图像去模糊,满足模糊图像清晰化需求,并且准确性和速度与现有技术都是可比的。