现有的图像去模糊深度学习方法通常采用清晰图像与其对应模糊图像的成对数据进行模型训练。然而，通过合成方式生成的模糊图像未必能准确模拟真实场景中的真实模糊过程。为解决这一问题，本文提出一种新方法，通过结合两个生成对抗网络（GAN）模型——即“学习模糊”生成对抗网络（BGAN）与“学习去模糊”生成对抗网络（DBGAN），以更有效地学习图像去模糊模型，其核心在于首先学习如何对清晰图像进行真实有效的模糊处理。其中，首个模型BGAN利用无配对的清晰图像与模糊图像数据集，学习生成逼真的模糊图像；随后，该模型所学习到的模糊先验知识被用于指导第二个模型DBGAN，使其能够更准确地实现图像去模糊。为缩小真实模糊与合成模糊之间的差异，本文引入了一种相对性模糊损失（relativistic blur loss）。此外，本文还构建了一个名为真实世界模糊图像（Real-World Blurred Image, RWBI）的新数据集，包含多样化的现实场景模糊图像。实验结果表明，所提方法在新构建的数据集以及公开的GOPRO数据集上均取得了更优的定量指标表现，并显著提升了图像的感知质量。