在深度学习出现之前，大多数传统的单图像去模糊方法采用“粗到细”（coarse-to-fine）的策略，即先在粗分辨率下估计出一个清晰图像，再逐步在更精细的尺度上进行优化。尽管这一策略也被应用于部分基于深度学习的方法中，但近年来，一些单尺度方法相继提出，其在图像质量与计算效率方面均展现出优于传统“粗到细”方法的性能。本文重新审视“粗到细”框架，深入分析了以往该类方法中存在的缺陷，这些缺陷严重制约了其性能表现。基于上述分析，我们提出了一种新型的基于深度学习的单图像去模糊方法——多尺度阶段网络（Multi-Scale-Stage Network, MSSNet），通过引入针对性的改进措施以克服原有方法的不足。具体而言，MSSNet创新性地引入了三个关键技术组件：反映模糊尺度的阶段配置机制、跨尺度信息传播机制，以及基于像素洗牌（pixel-shuffle）的多尺度处理方案。大量实验结果表明，MSSNet在图像质量、模型规模和计算效率三个方面均达到了当前最优水平，实现了性能的全面领先。