模糊视频复原一直是计算机视觉和数字图像处理领域的一个重要课题,它的研究对于日常生活、安防、医疗、太空探测等领域都有重要意义。近年来,卷积神经网络被广泛用于模糊视频复原,基于卷积神经网络的模糊视频复原方法需要有效地聚合视频帧之间的互补信息,这些互补信息包含了参考帧的清晰纹理细节,是实现目标模糊帧高质量复原的关键。近期的相关研究表明,精确的视频帧对齐能够有效地提高网络对视频帧间互补信息的学习能力,从而提高运动模糊视频的复原质量。但视频中复杂的运动,导致了局部不一致的帧间内容错位和复杂的非均匀运动模糊,阻碍了视频帧有效、准确地对齐。为了解决这一问题,本文开展基于可变形卷积的运动模糊视频盲复原方法研究,以实现精确的帧对齐,从而充分利用帧间互补信息,提高运动模糊视频的复原质量。本文开展的主要工作如下:（1）提出了基于多尺度可变形卷积的运动模糊视频盲复原方法（Multi-scale Deformable Convolutional Method for Blind Motion Video Deblurring,MDVD）。首先,该方法采用预对齐和3D补偿的两阶段对齐策略,逐步完成视频帧对齐。在预对齐阶段,该方法基于多尺度和级联的思想,设计了一种多尺度可变形卷积对齐模块,其由粗到细地对齐视频帧特征。在3D补偿阶段,该方法基于3D卷积层设计了一种3DConv补偿模块。在3DConv补偿模块中,该方法设计了时间、空间和通道解耦的注意力模块,用于为帧间互补信息中更为清晰、锐利的内容赋予更大的权重。该两阶段的视频帧对齐策略降低了网络各阶段的帧对齐压力,能有效地处理大尺度、严重的帧间内容错位,从而降低了网络训练和收敛的难度,有利于提高帧对齐的精度。此外,该方法中设计了空间流。该空间流是由两类宽激活残差块叠加组成的,通过改变激活层特征的空间分辨率或通道,能够在不增加参数量的情况下,更加丰富地表征目标帧的空间信息,如纹理细节等。空间流的设计进一步提高了该方法对运动模糊视频的复原质量。实验表明,该方法能够实现高质量的运动模糊视频复原。特别地,没有空间流的MDVD（w/o spatial stream）仍然有很高的复原质量。但是,所提方法还存在以下问题:1)视频中复杂运动所导致的帧间内容错位和非均匀运动模糊,使得所设计的多尺度可变形卷积对齐模块难以进行训练优化,从而影响了视频帧对齐的精度;2)所提方法的模型大小和时耗显著增加。（2）提出了基于补丁级多尺度可变形卷积的运动模糊视频盲复原方法（Patchbased Multi-scale Deformable Convolutional Method for Blind Motion Video Deblurring,PDVD）,用于解决（1）中基于多尺度可变形卷积的运动模糊视频盲复原方法存在的问题。首先,针对多尺度可变形卷积对齐模块训练和优化困难的问题,该方法设计补丁级可变形卷积对齐模块。该模块将帧特征的对齐转换为不同尺度、部分重叠的特征补丁的对齐。由于帧特征的复杂运动和非均匀运动模糊简化为特征补丁的单一运动和均匀模糊,使得特征补丁的对齐比帧特征的对齐更容易训练和收敛。从而使得基于特征补丁的视频帧对齐更加精确。然后,针对（1）中方法的模型大小和时耗显著增加的问题,该方法省去了（1）中的空间流,去除了3DConv补偿模块中的注意力模块,并减少3D卷积层的使用。经过上述网络结构的改进,该方法有效减少了该方法的模型大小和时耗。为验证所提出的MDVD和PDVD,本文在两个典型的模糊视频数据集上开展消融、对比实验。实验的结果表明,对于运动模糊视频,MDVD、MDVD（w/o spatial stream）和PDVD的复原质量优于现有主流方法,尤其是MDVD有着明显的提升。但在模型大小与时耗方面,PDVD更轻量、效率更高,优于当前大部分复原方法。此外,得益于（2）中补丁级可变形卷积对齐模块的帧对齐精度的提升,相较于（1）中的MDVD（w/o spatial stream）,PDVD的模型大小和时耗分别减少了68%和71%,而运动模糊视频复原质量的下降不足1%。