图像去模糊是图像处理领域的经典问题和研究热点,尤其是近年来基于深度学习的图像去模糊方法取得了突破性进展,与传统方法相比,在图像质量方面取得了显著提升。在实际应用中,不同拍摄距离、拍摄器件、拍摄环境下获得的图像模糊程度也不同。因此,如何实现一个去模糊网络自适应地增强不同模糊程度的图像,是图像去模糊亟待解决的问题。不同模糊程度图像样本混合训练可得到一个统一的图像去模糊网络模型,但模型性能会随着模糊类型的增多而下降,而且缺少对特定模糊程度的针对性。研究表明:输入精确的图像模糊参数对于不同程度模糊图像的增强具有关键的指导作用,但是在实际应用中,模糊图像的模糊参数通常未知。针对这一问题,本文研究基于模糊参数估计的图像自适应去模糊方法,通过模糊估计网络获得图像的模糊程度信息,进而指导后续图像去模糊网络的学习,提升图像去模糊模型对不同模糊程度的适应性。具体而言,本文的工作包括以下方面:(1)对残差网络和U-Net网络的模糊参数估计性能进行了实验分析,在此基础上结合两种模型的优势,提出了一种联合残差学习的U-Net模糊参数估计网络模型。该模型利用残差网络的“短连接”方式加强网络前后层的联系,利用U-Net网络的“长连接”方式加强网络浅层和深层的联系,从而提升网络对模糊参数估计的精度。(2)针对U-Net网络和残差网络结构直接结合导致的参数量过大、网络训练难的问题,在不影响模糊参数估计准确率的前提下,将U-Net网络中的卷积核倍增结构改进为每个编码块与解码块中卷积核的数目相同,显著减小网络参数量,以进一步提升模型效率。(3)在上述基础上,提出了一种基于模糊参数估计的图像自适应去模糊算法,构建联合残差学习的U-Net模糊参数估计网络与基于SRMD的非盲去模糊网络耦合的端到端网络框架,通过模糊参数指导去模糊网络对不同模糊程度的图像进行针对性的处理。实验结果表明:与MSWNNM方法相比,本文方法的图像客观质量PSNR提高了1.29d B,表明本方法对不同程度模糊图像具有较好的自适应增强功能,这对于提升实际应用中的图像清晰度具有重要意义。