模糊图像隐藏了真实场景中的细节信息,对很多任务来说都是一种有害的现象。对于很多系统来说,基于各种原因,迫切需要一种快速有效的模糊检测方法。在这一背景下,本文对无参考图图像模糊区域分割算法进行研究,该类算法可以估计并生成整幅图像的稠密模糊度,不仅能够检测出模糊,而且还能指明模糊区域的位置。但是传统基于人工特征的方法存在鲁棒性不强、难以利用全局信息、速度慢和可处理的模糊图像类型单一等问题,难以满足实际需求。针对上述问题,本文主要提出两种方法。基于无参考结构清晰度模糊图像质量评价指标,提出了快速模糊区域分割方法;而为了解决传统方法存在的问题,提出了一种基于深度学习的用于模糊区域提取的语义分割网络模型,利用神经网络自动提取模糊特征。本文主要的研究内容如下:(1)基于无参考结构清晰度(No-Reference Structural Sharpness,NRSS)模糊图像质量评价指标,提出了一种模糊区域分割方法,并针对速度慢的问题,提出快速方法,使得处理速度较原始方法有明显提升。该方法的核心思想是对原始图像进行下采样,以降低计算开销,然后结合滑动窗口方法得到整幅图像的模糊估计。(2)针对传统方法的问题,使用语义分割神经网络提取模糊区域,提出了一种用于模糊区域提取的卷积神经网络模型BlurNet。该方法的改进和创新点主要包括:扩展FCN网络到FCN2s;加入批标准化网络层,使模型的训练更加快速稳定,实现了端到端一次训练;加入Dropout层,防止模型因为过于复杂而产生过拟合问题;在数据有限的情况下,结合迁移学习(Transfer Learning)技术训练网络,探究了不同迁移学习策略的影响。该方法在不需要清晰图像作为参考的情况下,可以取得较优的分割效果,并且鲁棒性强,可以处理大小或模糊类型不同的图像。和其他模糊检测方法相比,该方法检测结果提升明显。和其他语义分割模型如SegNet和UNet相比,该方法的分割结果也更好。(3)结合多任务学习方法,在同一个神经网络中同时训练模糊类型判别(失焦模糊、移动模糊)和模糊区域分割两个任务,设计了两种不同的多任务学习网络,通过实验对各个网络的表现进行了比较和讨论。