基于光学传感器的视觉监控系统现已被广泛应用到了各行各业中,输入的图像或视频能否保持清晰严重影响了后续人工监测和基于视觉技术的智能处理算法有效性。在现实生活中,图像和视频的成像质量受天气影响较大,当雾霾天气出现时,图像和视频的传输画面会严重降质。因此如何对图像和视频实现有效的去雾,提高成像质量近年来受到了国内外学者的广泛关注。本文主要根据图像去雾和视频去雾的现有发展趋势,结合各自成像特点,提出对应的改进算法,从而提高去雾性能。在图像去雾领域中,深度神经网络以其优异的性能成为近年来的热点研究方向。然而,这类算法大多依赖大量有雾和对应的清晰图像进行模型训练。由于有雾图像对应的配对清晰图像在现实生活中很难获得,通常采用将清晰图像人工合成有雾图像来生成训练样本集。然而人工合成的图像与自然有雾图像存在一定的差异,因此训练得到的网络模型在处理真实场景下的图像时,算法有效性和鲁棒性会受到影响。本文提出一种新的适用于非配对输入数据的去雾模型。通过利用两个生成器和判别器组合形成的循环生成对抗网络结构,消除模型对训练数据配对的要求。为了进一步提高网络对降质图像的特征表达能力,在生成器中引入一种多尺度混合编解码结构,构造了多个残差和密集模块用于提取图像特征。最后,构建了一种全局关联损失函数,将雾线先验、对抗损失、循环一致性损失和感知一致性损失整合到统一的求解框架中,提高了输入图像和循环生成图像之间的结构一致性。在公测数据集和真实自然场景数据集上进行的定性和定量的实验结果表明,与许多先进的图像去雾算法相比,本文算法可以获得更加准确的去雾结果。在视频去雾算法领域中,由于现有算法缺少对视频结构关联约束和帧间一致性的分析,容易导致连续帧间去雾结果在颜色和亮度上存在突变,同时去雾后的前景目标边缘区域也容易出现退化现象。针对上述问题,本文提出了一种基于雾线先验的时空关联约束视频去雾算法,通过引入每帧图像在空间邻域中具有的结构关联性和在时间邻域中具有的连续一致性,提高视频去雾算法的求解性能。算法首先使用暗通道先验估计每帧图像的大气光向量,并结合雾线先验求取初始透射率图。然后引入加权最小二乘边缘保持平滑滤波器对初始透射率图进行空间平滑,消除奇异点和噪声对估计结果的影响。进一步利用相机参数刻画连续帧间透射率图的时序变化规律,对独立求取的每帧透射率图进行时序关联修正。最后根据雾图模型获得最终的视频去雾结果。经过定性和定量的对比实验结果表明,该算法下的视频去雾结果帧间过渡更加自然,同时对每一帧图像的色彩还原更加准确,图像边缘的细节信息显示也更加丰富。