图像是人们从外界获取和交换信息的重要来源,然而图像采集过程中通常存在物体运动、相机抖动等因素,造成采集图像模糊失真,严重影响了图像观赏的舒适度和满意度,给后续图像分析理解带来极大障碍。因此,从失真的图像中恢复出清晰可观图像的去模糊技术研究极为重要。近年,基于深度学习的方法大多通过增加网络复杂度来改善去模糊效果,虽然使效果得到了提升,但却增加了算法的运行时间。有时也不可避免的引入了伪影,且可能无法处理复杂的运动模糊。针对运动图像去模糊问题,本文以生成对抗网络为研究基点,主要以自然图像的运动模糊为研究目标,提出一种基于特征强化生成对抗网络的去模糊方法,旨在通过以强化图像特征提取的方式来帮助提升模型性能。本文的主要研究工作如下:（1）本文详细分析了现有的去模糊方法的基本原理和特点,得出了去模糊效果在特征提取方面还有提升空间的结论,因此,本文主要对图像去模糊的特征提取技术进行深入研究。（2）为了使网络能够捕获更加复杂的特征,提出了基于双域思想和具有空间连续可学习激活函数的特征提取模块。一方面针对单纯在空间域进行特征提取会产生过多的信息损失这一不足之处,在特征提取部分通过具有互补性质的空间域和频率域双域卷积来进行特征提取,从而提升网络性能。另一方面联合空间相关性实现了一个非线性可学习的激活函数,与传统的逐像素激活单元不同,该激活函数通过增加非线性特征映射的密集度,使得网络在具备相同性能的情况下,能够采用更少的网络层次。最后实验结果显示,该方法对网络模型性能的提升是有很大帮助的,是一种有效的特征提取技术。（3）为了进一步改善图像去模糊效果,结合上述研究策略,通过引入多级残差学习思想和亚像素卷积层,提出一种基于特征强化生成对抗网络的去模糊研究方法。我们进行了大量的实验,且使用不同拍摄设备采集了一组真实世界的模糊图像数据集,来验证提出的方法对真实世界图像去模糊研究的有效性。与其他方法的相比,本文中的方法可以从合成和真实世界的模糊图像中恢复出更清晰和更详细的图像。本文针对图像去模糊方向,重点研究了图像处理过程中的特征提取方面的问题,提出了一种基于双域卷积和具有空间连续可学习激活函数的特征提取策略,同时结合多层次残差学习思想和像素重组技术对生成对抗网络中的生成器结构进行整合,最终提出本文的图像去模糊研究方法。通过大量的实验定性定量评估与分析,在GoPro测试数据集上的PSNR值达到了31.13,SSIM值为0.9420,结果表明本文方法取得较好的结果。