近年来,图像去模糊任务引起了越来越多研究者的关注。许多研究人员致力于通过使用“由粗到细”的架构来消除运动模糊。该架构在消除由简单的相对位移引起的运动模糊上具有优越性。但是将该架构应用于模糊人脸图像会导致一系列问题:(1)复杂的网络结构使网络模型难以训练,且由于需要计算的参数太多会导致网络运行时间变慢。(2)由于图像的细节无法被完美复原,图像的质量会变差,并且视觉效果也不好。为了解决上述问题,本文采用了ConvLSTM网络(一种特殊的循环神经网络),因其结构简单、具有“记忆性”且循环网络中的隐藏状态能捕捉有用信息,有利于复原出具有更多细节的图像。同时为了提高复原图像的质量,本文将“粗到细”架构与“堆栈”架构相结合,提出一种新的网络架构“基于堆栈的多尺度循环网络”,并利用残差模块优化了网络。与其他传统的去模糊方法具有多个损失评估不同,本文方法仅计算一次损失,这大大减少了计算量,提升了模型的性能,与其它去模糊方法对比,本文实验结果明显更优,表明本文方法在人脸图像去模糊任务中的优越性。在此基础上,本文还通过探究Adam算法对模型进行了优化。本文研究成果对模糊人脸图像的复原具有一定的应用价值,且有望成为解决人脸图像运动模糊问题的有效途径。