在获取图像的过程中,由于光照环境弱拍摄设备故障以及传输器件老化等外界因素,图像会出现信息受损或是质量畸变等退化现象。图像模糊是经典的图像退化问题,文中主要研究运动模糊图像复原任务,运动模糊产生的主要原因是由于物体与相机产生相对位移导致像素点发生变化。随着深度学习的快速发展,已经形成使用参数化的框架得到清晰图像,CNN网络通过叠加卷积核实现不同程度像素模糊的复原需求。本文算法是以SRNDeblurNet为基础进行算法改进,主要涵盖三个方面:（1）针对网络模型复原图像纹理细节粗糙的问题。文中提出使用多尺度自适应网络和细节增强网络联合学习的训练策略,不仅可以去除图像中的运动伪影而且能够得到纹理清晰的高质量图像。多尺度自适应网络使用由粗到细的架构逐步复原图像,网络由不对称的编码器-解码器组成;细节增强网络在多尺度自适应网络复原图像的基础上以不同尺度作为输入进一步学习,从而发现深层特征实现不同尺度的纹理重建。文中验证了在多尺度自适应网络的基础上引入细节增强网络可以消除锐化过度不自然的扭曲区域。（2）为了进一步挖掘图像特征重建高频信息。首先文中提出了特征提取模型,通过级联异构架构的信息增强块和特征重构块,提高深层特征对浅层特征的记忆能力。文中探究了特征提取模型连接不同层级的对比实验,验证了使用三层不同层级连接效果最佳。其次在解码器中加入由并行空洞卷积组成的内容提取块,用于捕获上下文多尺度信息,使用残差空间自适应模型对相关特征进行采样加权,提高特征图像适应纹理变化的能力。（3）文中提出使用Yolo-v4目标检测评价图像质量,结合峰值信噪比测度和结构相似性两种常规的评价准则,从多维度衡量图像复原质量。本文算法与经典算法进行比较,分别在GoPro数据集K（?）hler数据集以及在真实世界低光照环境RealBlur-R数据集中,实验证明本文算法在消除运动伪影和修复细节有着出色的表现,从而验证了本文算法的有效性和合理性。