红外热波检测属于无损检测技术的一种具体应用,是通过对物体施加可控热激励,通过不同媒介材料表面及表面下的物理结构特性和边界条件对红外热波传输的影响以某种方式反映在媒介表面的温度场变化上,采用红外热像仪连续观测和记录物体表面的温度场变化而实现的。此类检测方式不会破坏检测物体本身的内部结构以及材料特性,而是通过缺陷位置结构的差异性,造成物体表面温度变化实现的检测方法。红外热波成像过程中,由于横向热扩散,物体热辐射能量对红外波段的影响,成像距离不一致等问题对红外热波成像影响非常大,导致成像结果也存在一定的模糊,造成相当大的检测误差,针对此类问题提出一种有效的红外图像去模糊的方法有着十分重要的意义。卷积神经网络近几年迅猛发展,在图像处理的应用领域取得了十分优异的表现,然而针对红外图像去模糊的相关研究相对比较匮乏,因此针对红外热波模糊图像,设计一种有效的去模糊算法模型是本文的研究重点,本文的主要研究内容如下:（1）研究深度学习中卷积神经网络的特性,包括卷积神经网络的工作原理,设计理念等相关知识,考察现阶段应用于去模糊领域的具体网络模型,通过分析不同模型的优缺点,为后续研究提供理论基础。（2）研究红外热波成像的相关原理,并使用红外热波成像系统对人工缺陷样品进行图像采集,获取原始的红外模糊图像,通过人为标定缺陷位置,制作红外图像数据集。通过对采集数据进行相应的数据增强操作,使得数据量满足卷积神经网络的训练要求。（3）针对红外图像数据的特点,结合卷积神经网络的特性,设计了一种基于深度残差网络的去模糊算法模型,网络模型分为两个部分,分别模糊核分布估计网络以及去模糊网络,通过二者结合,能有效实现对红外图像的去模糊操作。本文还通过从图像梯度角度改善网络训练过程中使用的损失函数,能够有效提升网络的鲁棒性以及精确度。