作为图像中的一类典型现象,模糊对于图像质量有着极大的影响。尤其是随着各类缺乏稳定装置的智能终端和手持设备的广泛普及,所拍摄图像和视频包含模糊部分变得越来越常见。考虑到图像清晰度对于视觉观赏效果及各种视觉应用的重要性,如何检测图像中的模糊区域,并对模糊图像进行去模糊操作,近年来吸引了越来越多计算机视觉领域的研究者的注意力。具体来说,模糊检测的目标是对于给定输入图像,尽可能精确地检测出其中所包含的模糊区域,从而方便后续算法进行处理;而图像去模糊的目的则在于从模糊输入图像中恢复出隐式的清晰图像来。经过仔细分析和实验探究,我们发现现有模糊检测算法存在的一个较大的缺陷是:不同算法分别着眼于设计更加具有判别的特征提取方案和更好的分类算法,而没能考虑到不同算法间性能的差异,以及得到结果之间的互补特性。而实验表明,同一模糊检测算法得到的检测结果间具有一致性,而不同模糊检测算法得到的结果则存在某种互补特性。针对该问题,我们提出了一种新的基于多方法融合的模糊检测算法框架,并尝试了三种作用于不同图像尺度的融合算法:随机森林,条件随机场和回归树场。实验表明基于条件随机场和回归树场的融合方法可以取得优于选定的成分方法的检测效果。考虑到人脸图像在日常生活中的普遍性和重要性,本课题将第二个关注点放在人脸图像模糊消除的问题上。当前最好的人脸图像去模糊算法基于样本集匹配,需要构建一个较大的训练样本集。受到训练样本集有限表达能力的制约,这类算法无法很好地处理真实生活中在表情,形状和姿势方面都有着极大自由度的人脸图像,同时还需要消耗大量的运算时间。针对以上问题,我们提出了一种新的基于经典的0L梯度先验和人脸关键点检测的人脸图像去模糊算法。不同于现有基于样本集匹配的人脸图像去模糊算法,我们所提出的参数化算法直接从训练样本集中学习组合随机森林模型,然后使用该模型进行人脸显著性轮廓检测。在得到较为准确的人脸显著性轮廓之后,我们使用人脸特定的结构化特性来进行模糊核估计和非盲去模糊。在人工构造和真实数据集上的实验都验证了我们所提出算法的有效性。