Die Fokussierungsunschärfe-Erkennung (Defocus Blur Detection, DBD) bezeichnet die Trennung von scharfen und unscharfen Bereichen in einem Bild. Dieses Verfahren hat aufgrund seines erheblichen Anwendungspotenzials erhebliche Aufmerksamkeit erhalten. Herausforderungen bei der DBD umfassen die präzise Unterscheidung homogener Regionen, die Erkennung von Regionen mit geringer Kontrastunterschieden und die Unterdrückung von Hintergrundstörungen. Um diese Probleme anzugehen, schlagen wir ein mehrströmiges bottom-top-bottom vollständig konvolutionales Netzwerk (BTBNet) vor, das den ersten Ansatz darstellt, ein end-to-end tiefes Netzwerk für die DBD zu entwickeln. Zunächst entwickeln wir ein vollständig konvolutionales BTBNet, um niedrigstufige Merkmale und hochstufige semantische Informationen zu integrieren. Anschließend berücksichtigen wir, dass das Ausmaß der Fokussierungsunschärfe skalenabhängig ist, und stellen mehrströmige BTBNetze vor, die Eingabebilder unterschiedlicher Skalen verarbeiten, um die Leistungsfähigkeit der DBD zu verbessern. Schließlich entwerfen wir ein Fusions- und rekursives Rekonstruktionsnetzwerk, das die vorherigen Schärfe-Erkennungskarten rekursiv verfeinert. Um die weitere Forschung und Bewertung von DBD-Modellen zu fördern, erstellen wir eine neue Datenbank mit 500 anspruchsvollen Bildern und pixelgenauen Annotationen der Fokussierungsunschärfe. Experimentelle Ergebnisse auf bestehenden sowie auf unserer neuen Datensammlung zeigen, dass die vorgeschlagene Methode eine signifikant bessere Leistung als andere aktuelle state-of-the-art-Algorithmen erzielt.