图像作为现代社会传达信息的重要载体,且随着拍照设备的不断迭代更新和智能化,图像在生活及工业领域中有着广泛的应用,同时也是人们记录日常生活、分享情感的重要表达途径之一。但是,在图像采集的一些过程中,由于被拍摄物体的高速运动或摄像设备本身的抖动以及周围环境的干扰等因素,使得原本清晰的图像变得模糊起来,如高速公路上的抓拍,产品流水线上的机器视觉检测等。因此,对图像去模糊技术展开一定的研究尤为重要。无论是在图像处理还是在自然语言处理的领域,深度学习技术都取得了重大的突破。生成对抗网络是目前研究比较热门的网络模型,在计算机视觉领域有着极好的性能,有时结果甚至超过了人眼。本文基于生成对抗网络,对图像去模糊技术进行研究及改进,主要工作如下:（1）本文采用多尺度递归网络和生成对抗网络相结合的方式,以生成器和鉴别器为基本架构,通过两者对抗学习解决图像去模糊问题,能极大程度上恢复模糊图像中细节和纹理信息。在训练阶段和测试阶段使用的全为GOPRO数据集。随后对处理后的图像进行实验,结果表明,在结构相似度、峰值信噪比和本文改进的基于边缘的图像清晰度评价方法中,均取得了较好的成绩,清晰度较图像处理前的效果更好。（2）经过处理后的图像,需要对其去模糊效果进行验证,而目前使用最多的就是图像清晰度客观评价方法。由于图像边缘信息是人眼关注到最显著的特征信息,本文根据边缘灰度变化程度在清晰图像与模糊图像表现程度不同,改进了一种基于灰度边缘坡度的图像清晰程度评价算法,并采用德克萨斯大学图像和视频工程实验室提供的图像质量评价数据库进行了验证。结果表明,提出的评价方法和图像实际效果具有很好的一致性,在无参考型图像清晰程度评价中具有一定的应用价值。