图像去模糊一直是计算机视觉任务中的重要研究领域,近期随着深度学习技术的发展,越来越多的基于深度卷积网络的去模糊算法问世,这些算法将一幅输入的模糊图像经过卷积神经网络输出一幅清晰的图像,这种低级视觉任务与对抗生成模型存在天然的一致性。并且在诸多视觉任务中表明,特征金字塔网络被证明能够很好地利用上下文信息以及多尺度信息,得到不错的视觉效果。因此本文各取所长,分别选取对抗生成模型作为整体网络的框架,特征金字塔网络作为生成器的基础框架。并对生成器做了两点创新设计:(1)特征金字塔网络在解码过程中,随着中间层信息不断融入,其所占比重逐渐增大,这就导致语义信息被稀释的现象,从而无法通过语义信息来利用数据中的全局细节信息,以达到高质量的去模糊效果。为解决这一问题,本文第三章设计语义补充网络,在生成器解码的过程中融入了语义补充的机制。此外还融入了更加有效的上采样方式,来更好的恢复模糊图像的细节信息。(2)诸多实验表明,在卷积神经网络的深层特征中并不是每一个通道都可以正确学习到语义信息,然而这些通道切片会得到网络等量的关注,导致部分通道中错误特征信息会误导网络的走向。为了增加语义信息的准确度,本文第四章设计语义矫正网络,在编码过程中增加了语义矫正机制,与之前的平等对待每一个通道切片不同,该机制让网络赋予正确特征信息更大的权重,从而达到来滤除价值较低甚至有误的特征通道的目的。本论文在两个公开数据集上做了详细的实验分析,将论文中所设计的创新算法,与现有的诸多优秀的算法进行比较分析,由实验结果可知,本论文所设计的算法在定性和定量的比较分析中有较为显著的优势。