图像是自动驾驶、无人机集群智能控制等众多研究领域感知环境的重要信息来源。然而受成像设备、环境、人为因素（如相机抖动、相机与目标存在相对运动等）限制,图像运动模糊难以避免,极大降低了获取图像信息的质量和相关算法性能。进行有效的图像去模糊以恢复潜在清晰图像、增强图像数据的丰富度和可靠性,对开展后续研究有很大帮助。当前图像去运动模糊效果较好的方法主要基于深度学习,但该类方法仍存在模糊去除不充分、算法适应性不强等问题。本文主要针对单幅图像去运动模糊问题,分别在成对和非成对数据集上,以提升图像去模糊质量的同时减少计算量、增强算法在复杂环境下的适应能力为目标,开展高效、强泛化能力的深度学习去运动模糊方法研究,主要完成的工作和取得的成果总结如下:1.设计并提出一种新的多尺度残差图像去运动模糊特征提取模型,其中内嵌多尺度策略模块——多尺度残差单元（Multi-scale Residual Block,MResblock）,具有多路多尺度特征提取通路。同时相邻尺度的特征通路加入维度拼接,进而在确保避免深度神经网络中信息丢失问题的同时更好地提取图像特征。相比于当前典型的深度学习图像去运动模糊模型,本文提出的特征提取模型处理得到的去模糊结果在图像评价指标——峰值信噪比（PSNR）和结构相似性指标（SSIM）上分别有0.39d B和0.0047的提升。2.提出了端对端的多尺度残差通道注意力图像去运动模糊算法,有效规避模糊核估计过程,直接学习模糊图像域到清晰图像域的映射关系。通过残差通道注意力模块,将图像的高、低频信息进行区别化处理,在注重处理高频细节信息的同时避免对大量低频信息所进行的冗余计算。与现有的代表性去模糊算法相比,本文提出的多尺度残差通道注意力的端对端图像去模糊算法在PSNR和SSIM指标上分别有0.79d B和0.0117的提升,算法运行速度有四倍提升。3.提出了基于循环一致性生成对抗网络（Cycle-Consistent Generative Adversarial Networks,Cycle GAN）的非成对图像去运动模糊算法,将图像去模糊问题建模为模糊图像域到清晰图像域的转换,采用两个生成对抗网络,分别实现模糊图像域到清晰图像域以及清晰图像域到模糊图像域的转换,两个网络构成数据转换闭环,通过约束转换后的输出图像与输入图像间的距离来定义网络损失函数,最终实现无监督的图像去运动模糊,能够根据所处理任务的特点,有针对性地构建训练集,算法模型更加灵活高效、适用范围更广。