图像去模糊一直是图像处理和计算机视觉领域的研究重点。传统基于统计先验的去模糊方法很大程度上依赖于对先验类型的选取,其细节恢复能力有限;同时,所构造的去模糊模型难于求解,运算比较复杂。近年来,基于深度学习的方法成为各领域的研究热点。由于卷积神经网络(CNN)能够充分挖掘图像内部特征、先验知识,本文基于CNN研究图像去模糊方法,具体工作如下:为了解决图像去模糊病态问题,通常利用先验信息作为正则项构造去模糊模型。基于统计先验的去模糊方法存在对噪声敏感、细节恢复能力有限等问题。基于此,本文深入研究去噪CNN关键技术,设计快速去噪深度卷积神经网络,学习得到图像去噪先验;同时为了弥补算法适应性不足,提出一种简单有效的低值像素先验;最后,基于梯度稀疏先验、深度去噪先验和低值像素先验构造图像盲去模糊模型,并给出最优化数值求解算法。实验结果表明,所提算法不仅具有很好的细节恢复能力,且对图像及其模糊类型、噪声水平等更具鲁棒性。端到端的卷积神经网络可以学习退化图像与清晰图像之间像素级映射关系,能有效实现空域可变模糊去除。但常规的卷积神经网络存在泛化能力不足、复原图像易丢失细节等缺陷。基于此,本文采用并联网络结构,将图像去模糊任务分解为去模糊和细节恢复两个子网络来实现;同时设计多尺度网络输入结构获取模糊图像信息,来增加网络感受野并获取不同层级图像细节特征,进而提出了基于多尺度多任务CNN的图像去模糊方法。实验结果表明,该网络获得的去模糊图像细节丰富,适用于各种空域可变模糊去除。