图像作为一种重要的信息传递媒介,在获取过程中可能会因为各种因素的干扰出现图像模糊退化的现象,这为图像的后续处理带来困难。图像运动模糊是由于在拍摄过程中物体和相机存在相对位移而产生的一种模糊,本文主要研究图像运动模糊复原方法。随着深度卷积神经网络的不断发展,深度卷积神经网络在去模糊领域取得了显著的成果,但去模糊领域仍存在许多挑战。有效去模糊网络的设计,合适损失函数的选取,以及如何复原出更多的图像细节成为去模糊领域急需解决的难题。本文针对单幅图运动模糊盲复原算法进行深入探究,重点探索基于深度卷积神经网络端到端的盲去模糊方法。论文首先研究了去模糊网络设计中的特征提取模块,沿用传统去模糊方法由粗到精的思想,以尺度循环卷积去模糊网络(SRN-DeblurNet)为基准模型,分别用普通残差模块,多尺度残差模块和改进的多尺度残差模块作为网络的特征提取模块。通过对比网络去模糊结果,验证了多尺度残差模块和改进的多尺度残差模块的特征提取能力更强,复原出的图像细节更加丰富。改进的多尺度残差模块比多尺度残差模块更具优势,其不但能够实现不同尺度图像特征信息的融合和复用,而且参数量大大减少。通过对图像去模糊的结果进行分析发现,使用不同模糊程度的数据集训练一个去模糊网络,网络对于不同模糊程度的图像复原效果差异较大,严重模糊图像的复原指标明显低于轻微模糊图像的复原指标。因此文中提出运动模糊尺度评价因子,对模糊图像进行分类,分为大尺度模糊和小尺度模糊。根据分类好的模糊数据集对去模糊网络进行分尺度训练,得到对应的大尺度去模糊网络和小尺度去模糊网络。将不同模型同一尺度的去模糊结果进行融合,得到最终的去模糊结果。实验结果验证了分尺度去模糊方法的有效性,提高了去模糊的效果。