因光线被遮挡而产生的阴影,因天气状况所产生的雾霾,都会影响图像的质量进而影响到计算机视觉算法的效果。因此在计算机视觉领域,单张图像的阴影去除及雾霾去除通常起到非常重要的作用。近年来,对于图像阴影去除、雾霾去除的研究层出不穷,但是一直没有工作探索过图像阴影和雾霾之间的联系。深度学习作为一种新的手段,尽管对计算机视觉领域产生了巨大的推动作用,但是对于阴影去除,近几年的深度学习方法只做阴影检测或者只做阴影去除,而从未很好地利用这两个任务之间的相关性;对于雾霾去除,现有的深度学习方法,其主干网络的拓扑结构并不是最优,同时也不能够很好地捕捉图像全局特征。针对以上问题,本文开展了如下研究:(1)本文从图像阴影及雾霾形成理论的角度,介绍了二者之间的联系和差异。同时,给出了颜色线的理论分析,并通过颜色线的变化,深入理解了阴影图像和雾霾图像之间的关系。在此基础上,通过研究基于颜色线的图像阴影和雾霾去除的基本方法,进一步探索了阴影去除和雾霾去除。通过这些探索,将这两个看似不相关的任务,从理论和方法层面建立了潜在的联系,使我们更深入地认识图像中的阴影和雾霾。(2)本文设计了一种新的堆叠式条件生成对抗网络,用于联合学习图像阴影检测和阴影去除,充分利用这两个任务之间的相关性。该网络在阴影检测和阴影去除两个任务上,均优于之前的方法,并在多个公开数据集上都取得了最优的结果。同时,我们构建并发布了一个大规模图像阴影三元组数据集,其中每个样本包含阴影图像,阴影掩码和无阴影图像三元组。该数据集规模很大,训练集足够支持深度学习等数据驱动的方法;测试集既能用于评估阴影检测任务,又能用于评估阴影去除任务。(3)本文基于混合密集连接的拓扑逻辑,设计了一种新的图像雾霾去除主干网络。同时,我们还为该雾霾去除的主干网络引入了一个鉴别器,来与原始的去雾网络组成生成对抗模型。实验证明,本文所提出的网络,在公开的图像雾霾数据集、我们合成的雾霾数据集以及真实的雾霾图像上,均取得了较好的去雾效果。