运动图像去模糊是指将一张模糊的运动图片变为相应清晰图片的过程,是计算机视觉领域中一个具有挑战性的问题。当我们使用电子设备如智能手机或相机拍摄运动物体时,经常会发现图像成像质量下降,出现了运动模糊。这主要是由于设备具有固定的曝光间隔,在此期间设备和运动物体之间具有相对运动所造成的。传统方法主要通过估计模糊核来处理图像模糊,由于图像模糊的原因各不相同,导致生成图像模糊核难以估计,生成的图像质量以及模型运行时间不尽如人意。而现有基于深度学习的多尺度去模糊方法则缺乏有效的特征提取机制,同时不能很好地利用多尺度特征,其效果有待进一步提高,因此迫切需要高质量的运动图像去模糊方法。本文对单一运动图像盲去模糊算法进行了深入探索,通过大量对比实验验证了不同网络结构的表现。研究工作如下:（1）首先在整体架构方面,与以往的使用“由粗到精”的多尺度去模糊网络相比,本文设计了一个新的端到端的、可训练的多层次分块网络以快速高效得到不同空间尺度图像。优化的特征提取机制显著改善了特征提取过程,充分利用了图像原有的空间尺度信息并极大加速了多尺度特征提取过程。（2）针对以往去模糊方法效果较差的情况,提出在编码-解码过程中引入上下文机制从而使得多尺度特征更加丰富,从而有效利用全局信息和局部细节以提高网络处理不同程度模糊能力。（3）在对去模糊模型进行效果和效率方面的权衡后,本文适当增加了残差学习模块,进一步提升了网络去模糊效果。相关实验结果表明,相较于以往方法,本文提出方法在不同标准数据集上均取得了较好效果。在图像质量方面,本文方法对模糊图像有不同程度的图像质量改善,无论是图像质量客观评价标准还是主观视觉感受都验证了这一点。在处理效率方面,得益于高效的特征提取模块,本文使用的方法运行速度较快且模型参数量较小。