信息的传递载体多种多样,有语言、文字、图像、视频等。随着智能设备的发展,人们获取这些信息载体的方式越来越便利。其中图像有着携带信息量大、获取简单等特点,在信息传递过程中占据着重要的角色。然而,摄像设备在获取图像的过程中难免会因运动产生模糊,使图像丢失一部分有用信息。图像去模糊技术由此产生,并在广泛运用于交通监控、医学影像、摄影摄像等领域。传统的图像去模糊算法难以对模糊核进行精确的估计与建模,因此去模糊效果不佳。随着学者们将深度学习技术引入到图像去模糊的研究,该领域获得长足的发展,取得出色的去模糊效果。本文主要工作内容如下:（1）以深度学习为基础,结合生成对抗学习、残差学习和多尺度特征融合等理论,提出基于分块堆叠的多尺度图像去模糊神经网络模型。该网络每一尺度的输入数据采用直接分割的方法进行缩放,避免了常规下采样与上采样方法带来的巨大计算量。进一步本文设计了一种融合双重注意力机制的残差模块,并将其嵌入卷积神经网络的浅层部分,使网络能够关注到输入图像在不同尺度下的有用信息,增强模型的表示能力。实验证明该方法能够有效提升网络的去模糊性能和效率。（2）本文进一步提出了两种融合时间信息的运动图像去模糊算法。一种是串联传统光流估计网络的图像去模糊算法,利用L-K光流估计法对输入图像进行预处理后送入预训练好的基于深度学习的图像去模糊网络,实现短时间内快速重建出清晰稳定的视频和图像的功能;另一种是级联Liteflownet光流估计网络进行训练的图像去模糊算法,利用前后帧与中间帧相同的像素点辅助中间帧上对应的相同像素进行训练,获取相同像素在连续时间上的变化信息,提高模型的去模糊能力。为了使重建图像具有更好的纹理和细节,我们采用生成对抗的训练方式,并引入Charbonnier损失函数和边缘损失函数,解决使用常用2损失函数造成图像重建主观效果过于平滑的问题。实验结果表明两种算法均可以进一步提升单一去模糊网络的去模糊质量。其中,级联Liteflownet光流估计网络进行训练的图像去模糊算法性能更好,泛化能力更强。