在雾霾天气的影响下,成像设备拍摄到的图像严重降质。这些降质图像会对计算机视觉系统的性能造成影响,如目标监测系统、目标识别系统等。为了提升计算机视觉系统的性能,对图像去雾算法的研究具有十分重要的意义。在硬件实现方面,由于专用集成电路(ASIC)的开发效率低,而现场可编程门阵列(FPGA)具有逻辑资源丰富、开发效率高、灵活性强等特点,所以一般使用FPGA进行数字图像处理算法的硬件实现。本文首先从雾天图像降质的原因出发,介绍了大气散射模型,该模型可以用于生成有雾图像。然后介绍了传统算法中用于图像去雾的相关特征。接着,介绍了卷积神经网络(CNN)的相关基础,并详细介绍了基于CNN的两种去雾网络,DehazeNet和AOD-Net。针对DehazeNet算法由于输入图像尺寸的影响不能学习图像的全局信息且分开估计两个参数会产生重建误差,AOD-Net算法在训练网络的过程中加入大气散射模型公式等缺点,提出了一种端对端的CNN去雾算法,通过对输入的有雾图像进行特征提取、特征融合和特征学习后得到去雾后的清晰图像。最后将本文算法与其他去雾算法进行主观和客观对比,结果表明本文算法具有更好的去雾效果。针对本文提出的去雾模型,本文设计并实现了基于FPGA的图像去雾系统。硬件设计主要包括SDRAM控制模块、SD卡控制模块、数据传输控制模块和卷积神经网络计算模块。其中SDRAM控制模块控制SDRAM的工作状态,SD卡控制模块控制SD卡的工作状态,数据传输控制模块控制SDRAM中读写数据的传输,卷积神经网络模块负责去雾算法实现。使用verilog语言对每个模块进行描述,并使用modelsim进行功能仿真,验证其逻辑功能的正确性。最后,综合后进行板级仿真,将软硬件输出结果进行对比,验证算法硬件实现的正确性。