清晰的医学显微图像可以有效地帮助医生进行病理分析和病情诊断,但是由于仪器设备以及环境条件等因素的影响,使用显微平台采集的图像会产生模糊,给诊断分析带来困难。因此,使用合适的去模糊算法去除显微图像的模糊具有很高的应用价值。近年来,随着深度学习的快速发展,去模糊算法从基于模糊模型的模糊核估计算法转向端到端的无核估计算法。端到端的去模糊算法相较于传统算法,运行速度快,泛用性高,可去除不同复杂情况下的模糊,表现出了卓越的特性。本文以医学显微图像去模糊算法为核心,针对当前端到端的去模糊算法存在的问题展开研究,主要研究工作如下:1.自制了医学显微图像数据集。在医学图像去模糊公共数据集缺失的情况下,使用显微平台自动扫描系统通过模拟相机失焦、平台抖动采集了858组清晰—模糊图像对,并通过随机裁剪等预处理方法将数据集进行增广。在自制数据集上复现了目前表现最优的两种端到端的去模糊算法,指出了当前算法存在的问题。2.提出了一种基于视觉感知损失和双线性插值的生成对抗网络去模糊算法。在网络生成器上采样层中使用双线性插值+卷积的结构代替反卷积过程,有效地消除了DeblurGAN算法产生的棋盘效应。在总体损失设计中引入感知损失,增强了模型生成图像的人体主观视觉感知性。实验结果表明,本文提出的模型在自制数据集上取得了良好的去模糊效果,PSNR达到了25.98,SSIM达到了0.6011,单张图片处理时间只需0.32s,并且在人体主观评价中也具有更好的效果。3.提出了基于通道注意结构的改进生成对抗去模糊网络。该网络针对本文原始模型生成图像高频细节缺失的问题,引入了通道注意力机制,并使用长短跳跃连接的方式将注意力单元嵌套成深层的通道注意提取组结构,将这种结构运用到本文模型中并通过实验确定了这种特征提取结构的最优数目,进而确定了最优的改进模型。结果表明,本文的改进模型相较于原始模型PSNR提升了0.73,SSIM提升了0.0265。并且,改进模型生成的图片细节丰富,边缘锐利,纹理清晰,具有很好的主观视觉感知效果。4.对最优改进模型进行压缩和加速提出了基于深度可分离卷积的轻量型去模糊网络。压缩后的模型参数量和计算量减少为原来的1/5,模型大小减少为原来的1/4,单张图片处理速度提升了4倍。