在单幅图像或者连贯视频的拍摄过程中,往往会因为当前图像采集环境差、相机和被拍摄物体之间存在相对运动,而造成采集到的图像或者视频质量退化,这种退化导致图像或者视频中本该包含的信息受损或者丢失。本文以在高速和高动态范围场景下的模糊图像作为研究对象,借助一种生物启发的动态视觉传感器Dynamic Vision Sensor（DVS）解决图像的降质问题。DVS的工作原理与传统相机截然不同。它不是以固定的帧率捕获图像,而是异步测量每个像素的亮度变化,输出编码了位置、时间和亮度变化极性的事件流。相比于传统相机具有:很高的动态范围（140d B VS.60d B）,很高的时间分辨率（μs数量级）,更低数据量,无运动模糊等特征。因此,在高速、高动态范围等传统相机面临挑战的场景中,DVS相机具有巨大的潜力。本文主要的工作和成果如下:1.本文提出了一种循环事件表示方法。由于DVS事件具有高时间分辨率的特性,如何利用DVS相机所提供的信息,对于图像去模糊的结果有较大影响。现有的事件表示方法往往会由于时空堆叠而丢失事件的时间信息,或者难以平衡所采用的事件累积时间大小与事件表示的质量,从而导致所生成的事件表示存在丢失历史信息、质量不高等问题。针对这些问题,本文提出了编码了事件完整时间信息和历史信息的循环事件表示,能够完整记录在挑战场景下丢失的信息,帮助图像去模糊。消融实验结果证明了本文提出的循环事件表示能够为挑战场景下的图像去模糊提供比较完整的信息,使用该事件表示的去模糊方法去模糊效果最佳。2.本文提出了一种混合去模糊网络Hybrid Deblur Net（HDN）。传统的图像去模糊方法首先基于先验假设求解模糊核,然后进行图像去模糊。现实世界中,由复杂和剧烈运动带来的模糊往往难以准确计算出模糊核,使得图像去模糊效果较差。基于深度学习的图像去模糊方法取得了不错的去模糊效果,但是在高速和高动态范围场景下,由于大量图像信息丢失,导致图像去模糊困难。针对这一问题,本文提出利用在挑战场景下完整编码了事件信息的循环事件表示来弥补丢失的信息,解决了由于大量图像信息丢失导致的图像去模糊难题。实验结果表明,在主流的Go Pro模糊数据集上,本文所提出的混合去模糊网络比目前最好的去模糊算法性能提升了6.75%,峰值信噪比达到了32.25（d B）。在真实DVS数据集上也取得了最佳的视觉去模糊效果。3.本文提出了一种细粒度视频去模糊和重建方法Fine-grained Video Deblur（FGVD）。传统的视频去模糊和重建方法利用连续多帧之间的关联信息进行去模糊和重建,然而由于传统图像的帧率不高,并且多帧中大部分图像都受到模糊的影响,因此去模糊和重建效果不佳。针对这一问题,本文提出了一种开发DVS事件高时间分辨率特性的方法,将事件转换成更细时间粒度的循环事件表示进行去模糊,再将去模糊后得到的清晰图像与一定微小时间偏移后的细粒度事件表示串联,输入视频重建模型中,从而重建出高帧率的清晰视频。在Go Pro数据集上,相比于目前最好的去模糊算法和之前提出的混合去模糊网络,去模糊性能分别提升了8.6%和1.7%,峰值信噪比达到了33.02（d B）。在真实DVS数据集上也取得了更好的视觉去模糊效果。综上所述,本文提出的基于动态视觉传感器的图像去模糊方法,可以在传统相机遭受严重模糊的高速场景下成功地重建出清晰的图像,相比于高速摄像机,具有明显的价格和功耗优势。另外,利用动态视觉传感器的高动态范围和高时间分辨率的特性,可以在黑暗或过曝场景下重建出清晰的高帧率视频,对于自动驾驶、无人机飞控以及复杂环境下的军事应用等都具有应用价值。