随着车辆增加和道路环境的复杂化,智能交通系统在提高行车效率和缓解交通拥堵问题上起到了重要作用。智能监控系统作为智能交通系统的关键一环,对监督车辆规范行驶具有重要意义。由于天气变化及车辆运动,导致智能监控系统抓拍的图像存在模糊现象。交通模糊图像复原已成为交通违规取证中亟需解决的难点,传统方法无法满足复杂交通图像的复原问题,本文以深度学习为基础,进行交通模糊图像复原算法的研究。主要工作如下:根据当前模糊图像复原领域的现状,分析了研究的意义和目的。学习模糊图像的成像原理以及相关理论知识,对深度学习的经典算法模型及其发展历程作了详细介绍,并将深度学习作为了本文交通模糊图像复原的方法。为了提高现有模糊图像复原算法的实用性和稳定性,提出基于生成对抗网络的交通模糊图像复原算法。总体架构以图像翻译的方法为基础,构建两个生成对抗网络模型分别实现模糊域到清晰域的来回转换;采用Res Ne Xt结构提高模型的训练准确率,并使用对抗损失和感知损失保证图像内容的一致性。在Go Pro数据集和自制交通模糊数据集上的效果验证了所提算法模型具有良好的迁移性及泛化能力。针对传统方法在模糊图像边缘信息的复原上存在缺陷问题,结合多尺度网络中由粗到精的思想,提出一种融合HS-Res Net的多尺度网络交通模糊图像复原算法。以编码器-解码器为生成器结构,应用多尺度策略以获得更好的复原结果;考虑到图像的边缘信息,采用L2稀疏正则化对图像梯度进行约束;在每个尺度上引入HS-Res Net残差块,将不同信息的感受野进行更好的融合;为了提高训练的稳定性,采用不同尺度共享权重策略。在自制交通模糊数据集上评估了该算法,平均峰值信噪比指数为30.060,平均结构相似性指数为0.940。在主观视觉上,也证明其有效性和实用性。考虑实际应用,结合分析交通管理系统的实际需求,设计并实现了一种交通模糊图像复原系统,内部嵌入训练完毕的融合HS-Res Net的多尺度网络交通模糊图像复原算法模型,并设计系统界面,方便操作与使用。