图像作为人类日常生活中重要的信息传播载体,其质量直接决定着能否及时准确地从中获取有效的信息。在图像采集过程中往往会由于设备抖动、拍摄物体处于运动状态等原因导致图像产生模糊,造成图像信息的丢失,因此图像去模糊作为图像处理领域的一个重要研究方向,在交通、天文以及军事领域都有着广泛的应用。近年来,随着卷积神经网络和深度学习在图像处理领域的快速发展,其高效快速的处理方法逐渐受到人们的关注,并且对于特定模糊问题有着更高的精确性,针对以上问题,依据卷积神经网络主要做了如下几方面的研究:1、针对运动模糊图像场景形成复杂、难以处理等问题,以图像高斯金字塔中的多尺度图像为依据,结合多尺度图像信息提取和多尺度特征提取建立了端到端的去模糊模型,以扩大感受野为目的设计了空洞卷积模块并在较少参数量的基础上拓宽模型深度,加强图像之间的映射过程。实验结果表明在保证去模糊效果的前提下运行速度更快,能够处理不同尺寸下的复杂运动模糊图像。2、针对神经网络模型无法准确建立图像模糊形成过程的问题,依据卷积神经网络能够在未经过任何学习过程之前就能够获取图像的统计信息这一论据,分别构造能够反映图像先验信息和模糊核先验信息的生成网络。并通过输入噪声对图像构成进行约束优化,确保网络模型能够在不依赖大量训练数据集的基础上正确提取图像先验信息并生成清晰图像。3、针对传统算法运算复杂、迭代耗时等问题,依据最大后验法对传统去模糊问题进行了具体分析,利用多尺度先验作为预处理过程,结合模糊图像和模糊核之间的关系推导出以残差网络为主体的神经网络生成器和优化器,并制作相关数据集将模糊图像结合模糊核进行训练,在提升训练速度的同时也取得了较好的复原效果。