动态场景下的模糊图像是物体的移动、相机的晃动和失焦引起图像的模糊伪像,从而影响人们的视觉对详细图像信息的感知,图像去模糊已经成为图像复原中关键的技术之一。如何把动态场景下拍摄的模糊图像修复成清晰的图像是十分突出待解决的问题,目前随着深度学习技术的蓬勃发展,越来越多的方法可以将动态场景下的一幅模糊的图像通过卷积神经网络得到清晰的图像。动态场景下高清晰的图像,在消费电子、安全监控等领域有宽广的应用前景。本文方法的网络结构基于生成对抗网络,但根据需求对网络的生成器模块进行改进设计。第一个方面,为了增强对动态场景下图像前景目标的关注性和更好的抑制图像边缘伪影的生成,本文设计一种基于多尺度渐进注意力机制网络（MSPA）,其中生成器模块可对模糊图像进行多尺度的特征提取和特征融合复原清晰的图像。（1）在特征提取阶段,本文设计多尺度的宽度感知和金字塔感知残差块,帮助本文的骨架网络更好的提取多尺度的局部特征和降低网络的训练难度。（2）并且为了更好的获取图像的语义信息,本文选择使用通道注意力机制来矫正模糊图像的深层特征;（3）在特征融合阶段,本文设计渐进注意力矫正模块来增强接受域,以渐进的方式选择性的整合多层次的语义信息并增强图像特征间的局部联系。第二个方面,为了平衡网络的性能和效率,本文设计轻量级的多尺度渐进注意力机制网络（LMSPA）。（1）在特征提取阶段,本文设计残差蒸馏模块,在减少网络的参数同时保证特征的提取能力。（2）在特征融合阶段,本文选择性的增加了局部的跳跃连接,不仅能在特征融合阶段对图像局部细节信息进行补充,而且缓解深层网络训练难的问题。本论文所提出的方法与现有的经典方法在Go Pro和Kohler两种公开数据集上做了详细的定量和定性的实验比较分析,验证取得不错的效果。