多尺度（Multi-scale, MS）方法已被广泛研究用于盲单图像/视频去模糊任务，其核心思想是先在低空间尺度上逐步恢复去模糊图像，再逐步向高空间尺度推进，利用低尺度的输出作为高尺度处理的先验信息。这类方法在处理由大运动引起的严重模糊时尤为有效，因为此类严重模糊在低空间尺度下可被视为较轻微的模糊，从而更易于建模与恢复。在本研究中，我们提出了一种替代MS方法的新型思路——多时间尺度（Multi-temporal, MT）方法，用于非均匀单图像去模糊任务。为此，我们构建了基于时间分辨数据集的多时间尺度数据集，并提出了增量式时间训练策略；同时设计了新型的MT-RNN模型，引入循环特征图机制以捕捉时间维度上的动态变化；此外，我们还系统研究了在迭代过程中逐步实现单图像去模糊的可行性与有效性。实验结果表明，所提出的MT方法在GoPro数据集上的PSNR指标上优于当前最先进的MS方法，且模型参数量最小，展现出卓越的性能与效率。