散焦模糊检测致力于分辨图像中因远离焦点而产生的模糊区域。伴随着卷积神经网络的广泛应用,作为计算机视觉领域研究问题之一的散焦模糊检测也有了长足的发展,但仍旧面临着诸多难题。当输入图像包含复杂场景或背景干扰较强时,现有的检测方法往往会存在边界模糊以及检测精度不高的问题。此外,基于深度学习的散焦模糊检测方法的性能也受限于较少的带标签样本数量。本文针对上述问题,从优化网络结构设计以及利用无标签样本进行半监督学习两个方面进行了研究,贡献主要为以下几点:在网络结构设计方面,本文使用了通道注意力机制,通过提取通道之间的相关性来对通道进行加权,突出对结果贡献更大的特征。为了有效抑制背景中的噪声干扰,本文设计了空间注意力机制,通过利用深层特征中的语义信息,让网络可以自适应地对空间中不同区域的细节信息有选择地利用。来自于背景的干扰信息将被抑制,对于结果有积极作用的细节将会被保留。空间注意力机制以及通道注意力机制能帮助网络更加有效地提取图像特征,提升网络的分辨能力。针对缺少充足带标签样本的问题,本文研究了使用半监督学习的方法进行散焦模糊检测。为了进一步抑制输入图像背景中的干扰和利用无标签样本,本文提出使用生成对抗网络。生成对抗网络中的鉴别器作为一种可以在训练过程中不断学习的损失函数,可以提供深层监督信息,帮助网络消除检测结果中的瑕疵。与此同时,鉴别器也可以利用无标签样本进行参数更新,本文第四章借助鉴别器进行了半监督学习。作为首次在该问题中使用半监督学习方法,本文进行了大量的实验,比较了目前五种性能最好的半监督学习方法以及第四章提出的半监督学习方法在散焦模糊检测问题上的性能,为后续的研究提供了基础。本文也分析了现有评价指标阈值选取中存在的问题,提出了一种简便有效的性能指标AUFβ来评估网络对于阈值的鲁棒性。最终,大量的实验结果表明本文的方法优于现有的其他散焦模糊检测方法,证明了本文方法的有效性。