由于设备与目标的相对运动，在动态场景下获取的图像往往会存在非均匀运动模糊。目前，传统的图像去模糊算法利用迭代优化的方式重建清晰图像，在复杂的运动模糊下重建图像的质量较低，且实时性差。为了有效地去除动态场景下的模糊，该文利用卷积神经网络解决动态场景去模糊问题，具体研究内容如下：
　　首先，本文提出一种基于多尺度多阶段的残差注意力网络动态场景去模糊方法。本方法引入递进思想，通过堆叠编-解码模块逐渐从模糊图像中重建清晰图像，同时使网络获得大的整体感受野。为获取图像的多尺度信息，本方法遵循粗到细思想和递归思想利用不同大小的图像共同训练网络。网络利用通道注意力机制重新缩放图像特征，提高自身表示能力。实验表明，提出方法具有较强的泛化能力。
　　其次，为降低映射复杂度提高网络学习效率，本文提出一种基于小波变换的多尺度动态场景去模糊方法。本方法利用多尺度输入策略获取原始图像的多尺度信息，同时堆叠Residual-Inception模块提取图像的多尺度深层特征。网络利用双重注意力机制分别从通道和空间角度提高自身表示能力。经实验表明，提出的方法在公共数据集上具有更好的性能。
　　最后，为进一步提高网络性能，本文提出一种深度多级小波动态场景去模糊方法。将小波变换嵌入到编-解码结构中，在增大感受野的同时加强图像特征的稀疏性。本方法利用多尺度扩张稠密块提取多尺度深层特征，引入特征融合块以自适应地融合编-解码之间的特征，利用空间域重建模块在空间域进一步提高重构图像的质量。经实验表明，提出的方法具有明显的性能提升，重建更多图像细节。