图像去模糊是计算机视觉领域的一个研究热点。在现实生活中模糊图像模糊核基本都是未知的,充分挖掘和利用图像先验知识成为解决盲去模糊的关键,现有的盲去模糊方法大都基于正则化或假设去估计未知模糊核。但由此会带来昂贵的计算成本、产生棋盘伪影现象、缺乏良好模型泛化能力、图像细节和纹理信息恢复不佳等多个问题。基于条件生成对抗网络,提出了图像盲去模糊的方法解决了上述问题,并在移动端实现,主要工作概况如下。(1)针对现有图像盲去模糊模型存在的问题,本文采用卷积神经网络作为生成器和鉴别器网络基本架构,通过两者对抗学习解决了大量计算成本问题,使用上采样与卷积相结合避免了生成图像的棋盘伪影现象,采用实例正则化寻找两张图像像素之间的差异,能极大程度上恢复模糊图像中细节和纹理信息。整个模型使用Go-Pro数据集,实验结果表明在评价指标峰值信噪比、结构相似度测量和运行时间三个方面综合优于现有方法,并能够使街景图像恢复清晰。(2)针对模型移植问题,本文将预训练模型固化到移动端解决了客户端-服务器模式浪费流量和网络连接带来的问题。最终效果表明能很好处理移动端拍摄的模糊图像。