图像作为生产、生活的重要媒介,其应用范围非常广泛。在拍摄图像的过程中由于相机抖动、物体运动等原因造成图像模糊不清。给人们带来诸多不便。图像盲去模糊是图像预处理的一个重要分支,近年来,受到科研领域和应用领域广泛关注。目前图像盲去模糊方法大多基于贝叶斯理论。图像去模糊方法主要有两类。一是基于变分贝叶斯,一是基于最大后验估计。基于变分贝叶斯的方法更鲁棒但是计算效率低。基于最大后验估计的方法一般需要正则项以约束解空间。现有的图像盲去模糊方法往往设置固定的先验项,然后手动调节参数以到达期望的去模糊效果。此外,目前大多数去模糊方法所使用的先验项只有选择显著性边缘的功能而不具备增强显著性边缘的功能。为了更好的拟合数据的先验分布,本文提出了一个基于判别学习的盲去模糊方法。该方法学习一个多尺度收缩场模型。在每一尺度,本文通过数据驱动的方式获取模型参数。该算法完全避免了设计先验项和手动调参。训练的模型可直接应用于其他数据集无需额外的训练。基于训练的方法往往受限于训练集的选择。为了解决这个问题,本文提出了更灵活的自适应先验方法。该方法在处理一张图片时可以使用不同的先验项。这样做的目的是在迭代求解的过程中更好的选择显著性边缘和增强显著性边缘。随着迭代求解过程的进行,该方法渐进地估计模糊核与清晰图像。本文证明了该方法的收敛性。大量的实验证明本文的方法是有效且高效的。