1.一种基于迭代神经网络的视频去模糊方法，其特征在于，所述方法包括以下步骤：

步骤S1、构建视频去模糊模型；其中，所述视频去模糊模型包括非局部时域模块、基于卷积神经网络和循环神经网络形成的迭代模块以及若干卷积层；

步骤S2、获取原始视频序列，并通过所述视频去模糊模型中的若干卷积层和非局部时域模块，计算所述原始视频序列帧间的局部相似性和全局相似性，且进一步对比所计算出的局部相似性与全局相似性，建模所述原始视频序列帧间的时域信息；

步骤S3、根据建模后的原始视频序列帧间的时域信息，利用所述视频去模糊模型中的迭代模块在特征空间中对所述原始视频序列的模糊帧进行去模糊操作，得到原始视频序列去模糊操作后的特征；

步骤S4、将所得到的原始视频序列去模糊操作后的特征从特征空间中恢复为清晰的图像序列；

步骤S5、根据所述清晰的图像序列及所述原始清晰视频序列，计算所述视频去模糊模型的时域损失函数，并反向传播训练模型。

2.如权利要求1所述的基于迭代神经网络的视频去模糊方法，其特征在于，所述步骤S2具体包括：通过所述若干卷积层从所述原始视频的局部帧和全部帧中分别抽取相对应的特征，且利用所述非局部时域模块对分别从局部帧和全部帧中抽取的相应特征进行计算，得到局部帧之间的相似性和全部帧之间的相似性，进一步通过对比局部帧之间的相似性和全部帧之间的相似性并融合，建模所述原始视频序列帧间的时域信息。

3.如权利要求1所述的基于迭代神经网络的视频去模糊方法，其特征在于，所述步骤S3具体包括：将建模后的原始视频序列帧间的时域信息作为所述迭代模块中卷积神经网络的输入，并通过所述卷积神经网络的卷积层获取抽象高维信息的能力来捕获输入在不同位置的模糊程度，生成相应的处理参数，且进一步将建模后的原始视频序列帧间的时域信息和所生成的相应处理参数同时作为所述迭代模块中循环神经网络的输入，迭代N次直至为止完成去模糊操作，得到原始视频序列去模糊操作后的特征。

4.如权利要求1所述的基于迭代神经网络的视频去模糊方法，其特征在于，所述步骤S4具体包括：通过所述卷积神经网络及所述循环神经网络中的卷积层和上采样层，将所得到的原始视频序列去模糊操作后的特征从特征空间中恢复为清晰的图像序列，同时使用两个全局跳跃链接加速网络训练。

5.如权利要求1所述的基于迭代神经网络的视频去模糊方法，其特征在于，所述步骤S5具体包括：对所述清晰的图像序列和所述原始清晰视频序列，分别计算相应的神经网络特征，并计算所述清晰的图像序列及所述原始视频序列特征之间的均方误差后，对所述视频去模糊模型进行反向传播更新参数。