在图像拍摄过程中,由于拍摄器材与被摄物体间发生相对运动,导致拍摄图像质量退化,出现运动模糊。这些模糊图像通常无法满足人们日常的需求,也难以作为各种人工智能算法处理的基础数据,因此对运动模糊图像进行恢复,提高图像质量成为当下图像研究的重点之一。图像恢复领域中,数据获取通常是一个困难的问题,清晰与模糊的图像对不能通过常规拍摄的方式获取。因此,大多数图像恢复研究都是基于合成图像对训练。为此利用生成对抗网络对运动模糊图像恢复问题展开研究,主要工作如下:针对下采样特征提取造成的信息缺失及单一尺度获取特征相关性差的问题,对生成对抗网络模型结构和损失函数进行优化。首先,使用特征金字塔结构获取输入数据的多尺度特征,采取注意力机制去除特征金字塔获取的特征信息在层间传递时可能造成的额外噪声;然后采用全局判别器和局部判别器相结合的方式进行生成数据的判别;最后采用均方误差、对抗损失和感知损失构成网络的损失函数。通过与其他经典算法的对比分析,表明以成对数据集训练所设计的网络模型在保证图像恢复效果的情况下,进一步提高了模糊图像恢复的质量,使得恢复图像更加清晰、自然。针对成对数据集获取困难与合成数据集泛化能力差的问题,提出一种可以在非成对数据集上训练的生成对抗网络模型。首先,采用两组生成对抗网络建立起一种环形的网络结构,从而将图像恢复问题转化为模糊域与清晰域之间的图像翻译问题;然后将对比学习网络和深度残差网络相结合,构成两组网络的生成器,用于学习图像域中的信息,进行模糊域和清晰域间的相互转化;之后将马尔科夫判别器作为两组网络的判别器,提供反馈信息,更新网络参数;最后使用对抗损失、感知损失、循环一致损失、同一映射损失和对比学习损失共同构成损失函数控制网络的学习方向。通过与经典图像翻译网络Cycle GAN进行对比分析,非成对数据集训练的结果表明所提对比循环一致性生成对抗网络对模糊图像恢复效果明显优于Cycle GAN,验证了模型的可行性,有望成为非成对数据集训练解决模糊图像恢复的有力途径。建立真实场景下图像恢复实验平台,使用移动机器人及手持相机两种方式获取真实模糊图像,平台内搭建图像恢复系统,完成数据获取、仿真实验、结果展示与评价、数据保存等功能的一体化。实现成对数据集训练模型和非成对数据集训练模型在真实场景下的恢复仿真。