在雾天场景下,大气中悬浮较多水滴。光在传输过程中遇到水滴会被吸收和散射,导致拍摄图像轮廓模糊,图像清晰度以及色彩饱和度下降。这不仅对人类主观感受产生消极影响,而且不利于目标分辨和捕获细节信息,进而降低图像的应用价值。因此,图像去雾技术已成为计算机视觉的重要技术之一。通过分析已有去雾算法,基于卷积神经网络模型的去雾算法泛化能力更强、去雾效率更高。所以,本文提出了两种网络模型,具体算法如下:（1）为解决图像去雾后颜色偏暗以及去雾不彻底等问题,本文提出了一种基于多尺度融合卷积神经网络的图像去雾算法。算法以有雾图像为输入,首先经过预处理模块,即由单尺度卷积层提取有雾图像浅层信息;然后设计多尺度映射模块实现深度特征学习以及深、浅层特征融合,由反卷积模块还原图像尺寸,通过卷积操作得到有雾图像对应的粗透射率图;采用双边滤波法优化输出细透射率图,最后依据大气散射模型复原出无雾图像。实验结果表明:本文方法数据集中有雾图像和自然有雾图像的评价指标高于其他算法,其中室内合成有雾图像上的结构相似性（SSIM）、峰值信噪比（PSNR）能分别达到0.950、29.238。本文所提算法可以有效地避免去雾图像颜色偏暗、失真等不足,提高了图像去雾性能并表现出良好的视觉效果。（2）基于大气散射型复原无雾图像方法,会涉及透射率图以及大气光值的估算,从而造成累计数值误差。本文为避免该过程对复原图像的影响,提出了一种双层级卷积神经网络,以端到端的方式实现去雾。该算法首先将有雾图像由RGB颜色空间变换为YUV色彩空间,并对Y、U、V三种颜色分量进行定量分析,发现亮度通道受有雾区域影响较大。根据分量关系设计双层级卷积神经网络分别复原各通道清晰图像,其中深层主网络负责对Y分量去雾,而U、V分量采用浅层辅网络结构,网络的输出为清晰图像,实现算法模型端到端的去雾过程;最后,使用引导滤波的方法增强去雾后图像质量。由实验可知,室内合成有雾图像评价指标SSIM达到0.965。本文算法复原无雾图像色彩饱和度、清晰度较高,去雾效果良好。