在人们使用照相机等成像设备获得目标图像的过程中,由于光学成像系统的浅景深导致的散焦模糊,是影响图像视觉质量的一个重要因素。而在一些识别应用领域,如天文、遥感、医疗及刑侦等特定场合,根据不同要求往往又需要较为清晰的图像。因此,散焦图像的去模糊有着重要的实际意义。由于散焦图像中单个像素的模糊量由其景深确定,因此散焦模糊通常会在空间上变化。解决这种空间变化的反卷积问题的现有解决方案是,首先将输入图像分割成近似均匀模糊量的几个区域,然后在每个区域上分别进行反卷积,从而恢复出清晰图像。因此需要解决的第一个问题是散焦模糊图的估计。研究发现,传统算法在处理图像上有纹理的地方,估计出的散焦量误差较大,其次算法都是在二维空间上进行计算,使得效率比较低。接下来的第二个问题是散焦图像的去模糊。传统算法在对每个分割出的区域分别进行去卷积,然后拼接形成一张完整的去模糊图像。研究发现,这种做法会使得在每块区域的边界处存在明显的振铃效应。研究发现,深度神经网络可以很好地解决振铃效应,然而将深度神经网络应用于散焦图像去模糊的一大障碍是需要大量真实的训练样本。最近,Ulyanov等提出了无需预先训练就可用于图像恢复的深度图像先验（Deep Image Prior,DIP）算法,该算法表明深度神经网络具有捕获单个图像的低维图像信息的能力,但是由于散焦图像的模糊是空间变化的,因此用DIP网络直接进行散焦图像去模糊,恢复不出良好的清晰图像。针对这两个问题,本文的研究内容聚焦两个方面:（1）研究了散焦模糊图的估计算法。通过对散焦模糊图像中边缘像素分布特点的分析,本文提出了一种基于图像边缘频谱分析的散焦模糊图估计算法。该算法首先在垂直于图像边缘的一维方向上采点并求梯度,这样做不仅能更准确的反应模糊,而且在计算速度上更快,相较于传统算法在二维空间进行计算。然后,该算法通过对模糊曲线,根据一定规则,取局部最大值或最小值,恢复出初步的清晰边缘,接着采取频谱匹配的方法,找到初始模糊的散焦量,解决了图像边缘有纹理的地方散焦量估计不准的问题。最后通过实验比较不同算法估计出的散焦图,在聚焦-散焦分割的指标以及估计出的散焦图与真实散焦图之间的差异,从而验证本文所提出的散焦模糊图估计算法,能够更有效地估计出准确的散焦模糊量。（2）研究了散焦图像的去模糊算法。通过研究把传统反卷积方法运用到散焦图像的去模糊上所存在的问题,提出了一种基于深度图像先验的散焦图像去模糊算法。该算法首先通过对我们估计出的散焦图进行分割,得到具有多个不同散焦量的模糊核。接着通过对不同散焦区域的掩模运算,并且采取DIP网络输入的随机噪声扰动系数根据模糊图像不同区域的散焦量而定,同时采用SSIM损失函数,使得DIP网络训练时能够学习生成清晰图像。最后经过实验对比,通过采用有真实清晰图像的散焦模糊图像库,比较PSNR和SSIM两个指标,验证本文所提出的去散焦模糊算法,具有更好的去模糊效果。