运动图像去模糊技术是图像复原领域的一个重要研究方向,其目的是将拍照时由于相机抖动以及物体运动导致的运动模糊图像通过图像复原技术对清晰的图像进行重建估计,其广泛运用于安全监控,航空航天等诸多领域。近年来,随着深度学习浪潮的来临将其应用于运动图像去模糊上获得了令人满意的效果。但在目前基于深度学习的运动图像去模糊算法中仍然存在高频细节重建不足且无法有效去除伪影等问题。为进一步恢复模糊图像中的高频纹理细节,提高去模糊图像的质量,本文将注意力机制引入对抗网络中来提取和增强高频特征,提出了基于注意力及对抗网络的运动图像去模糊方法,主要研究工作如下:（1）针对当前运动图像去模糊网络忽略了运动模糊图像的非均匀性,不能有效地恢复图像的高频细节及去除伪影等问题,在对抗网络基础上提出一种基于自适应残差的运动图像去模糊方法。该方法在生成网络中构造了由形变卷积模块和通道注意力模块组成的自适应残差模块。其中,形变卷积模块学习运动模糊图像特征的形变量,可以根据图像的形变信息动态调整卷积核的形状和大小,提高网络适应模糊图像形变的能力。通道注意力模块对所提取的形变特征进行通道调整,获取更多的图像高频特征,增强恢复后图像的纹理细节。实验结果表明,与现有的算法相比,该方法能够有效地进行模糊去除,重建出纹理细节丰富的高质量图像。（2）为更好的进行全局上下文信息提取,增强特征表达,有效地对模糊图像的纹理细节进行重建。提出一种基于递归交叉注意力的运动图像去模糊方法。该方法以对抗网络为基础,在生成网络中使用递归交叉注意力模块实现全局上下文信息的提取,以此促进对图像高频纹理细节的重建。同时,为让生成网络在训练时更好的对清晰图像的数据分布进行拟合,在对抗训练时以最小二乘对抗机制为基础加入相对判别原理。其中,相对判别原理通过加入评估输入数据与其对立类型数据样本更像真的概率,以此让清晰图像的数据分布作为一个先验知识去对对抗网络进行约束,从而增强生成网络对清晰图像的拟合能力。实验结果表明,与现有基于深度卷积神经网络的运动图像去模糊算法相比,所提算法能够重建出高质量的去模糊图像,且在数值指标上也有所提高。