在有雾天气下拍摄的室外照片具有较低的清晰度及对比度,会在人类感应以及计算机视觉应用上产生障碍。因此,一直以来,研究者们都致力于除雾算法的研究,实现图片的恢复或加强。十余年来,研究者们提出了很多先验假设来获取雾图的一些决定性或是统计性特性,从而实现除雾。但先验除雾算法具有适用性不强的缺点,因此,近年来数据驱动除雾算法逐渐成为主流,并取得了很好的成果。数据驱动模型的核心是训练集,使用最优的训练集能很大程度提升模型的性能。然而,这些算法中却很少有关于对训练集做处理的研究。另一方面,很多数据驱动模型的准确性不高,回归误差大,导致了一些不好的除雾结果。因此,本文从提高模型准确性以及训练集搜索两个方面进行了研究。本文首先提出了一个两层联合的高斯过程回归模型来学习得到雾图与透射率图之间的联系。在论文中,我们推导证明了两层联合模型的优势。这个模型回归的误差极小,准确性很高。同时,根据训练图片中雾的分布与浓度,本文还使用了两步筛选算法得到了合适的训练集,进一步优化了回归算法。本文的另一个研究中提出了一个适应输入的训练集搜索算法。对输入的每个测试样本,这个搜索算法都能自动搜索到与它相关性强的训练样本来训练模型。相对于两步筛选过程得到的固定训练集,这个搜索算法得到的训练集适应输入,鲁棒性更高。由于对每个测试样本对应的训练集都进行了搜索,导致了一些时间上的消耗,所以本文还提出了k-d树和汉明嵌入两种快速搜索算法来提高效率。在建立的雾图测试集上的结果表明,相比于最新的一些除雾算法,本文两个方法的结果都具有更高的清晰度和真实度。