现实生活中存在着各种各样的噪声对图片造成干扰,例如相机抖动,物体运动等一些相对位移会造成运动模糊,导致图像模糊不清,所以图像去模糊领域的研究具有重大意义。现有的用于图像去模糊的深度学习方法通常使用成对的清晰模糊图像来训练模型。但是,合成模糊图像不一定能在现实情况下有足够的准确性对真实的模糊过程建模。本文深入研究了目前流行的图像去模糊算法,如SRN、DeBlur GANv2、等,以深度学习算法作为基本工具,所提出的算法进一步提高了图像去模糊算法的有效性和稳定性。本文主要的研究内容如下所示:（1）本文对高效率的ResNet18网络进行改进,提出了Deblur-ResNet网络,使用GOPRO、DVD、NFS三种配对数据集分别加以训练,本文研究了两种训练方法,对比了图像去模糊效果。实验结果表示,该模型在模糊图像去除领域的峰值信噪比达到了35.43,优于先进的模型算法。（2）此外,考虑到人眼对亮度变化比较敏感,本文在以往图像复原中,首次将原RGB图像转换为Y、U、V,第一种训练方法:仅使用Y分量图像对Deblur-ResNet网络进行训练,用训练好的模型分别对Y、U、V恢复,最终将恢复的Y、U、V图像转换为RGB图像;第二种训练方法:用Y、U、V图像分别对Deblur-ResNet网络进行训练,进而恢复出相对应的Y、U、V清晰图像,转为RGB图像。（3）进一步提出ResNet GAN网络模型,该模型基于生成对抗网络（GAN）,并以本文提出的Deblur-ResNet网络作为生成器,取得了较好的效果。