图像作为人类获取信息的重要载体,在计算机视觉、智能交通等各个领域有着广泛的应用。在城市智能交通高速发展的今天,监控图像的清晰度尤为重要。然而,在图像在采集、传输等过程中会不可避免地受到各类噪声的干扰,例如,由于物体运动、拍摄器材抖动等因素会出现图像的运动模糊等现象,因此,从模糊图像中恢复出清晰图像的去模糊技术研究至关重要。在图像去模糊算法的研究中,很多学者通过加深网络来提升算法去模糊的效果,取得了不错的效果。然而,这使得网络算法复杂度较高,需要大量的计算,需要消耗大量的时间,尽管图像的去模糊效果得到了一定的提升,但忽视了算法的运行速度,实用价值较低。针对图像去除模糊问题,本文提出一种基于生成对抗网络的去除图像运动模糊的网络模型。该模型引入多尺度递归网络作为生成对抗网络的生成器,该生成器包含三层网络,在每层网络中叠加多层残差块,对模糊图像进行由粗到精的处理,并经由判别器进行判别。其次,为了提升算法的运行速度,本文进一步提出一种基于八度卷积的去除图像运动模糊模型。该模型将生成对抗网络(GAN)与八度卷积残差块相结合,将八度卷积残差块用于构建一个多尺度递归网络作为生成对抗网络的生成器,对模糊图像进行由粗到精的处理,生成器采用多尺度编码解码结构,提高了模型的效率,并在编码的最后一层引入了上下文模块;生成器不同尺度网络编码器解码器之间引入时间卷积网络TCN(Temporal Convolutional Network)跨层传递信息,最后经过判别器进行判别处理。使用八度卷积残差块大大减少模型的参数量,加速了网络对图像的处理;上下文模块采用多层空洞卷积极大程度的增加了感受野并能更好的捕获多尺度上下文信息。本文主要创新工作如下:1.提出了一种基于生成对抗网络的去除图像运动模糊的网络模型。模型引入多尺度递归网络作为生成对抗网络的生成器,对模糊图像进行由粗到精的处理,提升了图像去模糊效果。实验结果表明,由该模型去除图像运动模糊后的图像清晰,可以分辨细节内容,且峰值信噪比达到29.52,优于常用模型。2.进一步提出一种基于生成对抗网络(GAN),并结合八度卷积残差块以及时间卷积网络(TCN)的去除图像运动模糊模型。该模型使用八度卷积残差块做为基础块减少了网络的冗余,加速了网络对图像的处理速度;模型引入TCN以及上下文模块增加了感受野并能更好的捕获多尺度上下文信息。实验结果表明,该模型在视觉效果、峰值信噪比以及每一步都训练速度等方面都取得了一定的提升,具有较好的应用前景。