随着智慧机场的发展,登机桥也在向全自动的方向发展。在基于计算机视觉的全自动对接过程中,由相对运动产生的运动模糊是最大的影响因素之一,本文为了解决在登机桥对接过程中产生的飞机舱门运动模糊图像,对舱门运动模糊图像展开研究,主要内容如下:（1）基于Deblur GAN网络模型框架,设计了一种基于生成对抗网络的舱门运动模糊图像复原算法。首先对残差网络进行了改进,提出了两种残差网络改进策略。加入到生成器模型中,一种为Deblur GAN-Sandglass,通过讨论激励层的顺序和1*1卷积对残差网络的影响进行分析。另一种为Deblur GAN-Res Next,通过删除模型中的批归一化层。同时对判别器中的损失函数WGAN进行优化,提出了WGAN-up优化方案。（2）基于编码器-解码器结构和单尺度通道的优点,设计了一种基于卷积神经网络的多阶段渐进舱门运动模糊图像复原算法。框架共分为三个阶段,前两个阶段合并了编码器-解码器网络,最后阶段采用了原始输入分辨率子网络。每个阶段之间加入一个受监督的注意模块,还引入了一种跨阶段的特征融合机制。在此基础上,对注意力模型提出了两种优化方案-串联混合注意力模型和并联混合注意力模型。（3）首先,应用传统算法对舱门图像进行仿真分析,发现在噪声情况下,复原效果不佳。其次,运用深度学习的方法,对改进方案进行组合实验分析得到最佳方案,实验对比发现,基于Deblur GAN模型的改进算法在复原指标都得到了一定提高。基于CNN的多阶段复原算法和其他算法相比复原指标更优,通过实验分析,证明了改进方案在串联混合顺序、池化影响和串并联上的性能差异,证明了改进方法的有效性。为了证明算法的泛用性,除了在舱门数据集,还在GOPRO数据集上进行训练和测试。结果证明均有很好的复原效果,能够对实际对接过程中的舱门运动模糊图像产生很好的复原效果,达到了登机桥自动化对接的要求。