近些年来随着计算机视觉领域的快速发展,车牌识别、目标跟踪等技术已广泛运用于人们生活中。但在雾天环境下多媒体成像设备捕获到的图像降质较为严重,对视觉处理任务造成了一定的影响,因此如何对捕获到的图像进行有效去雾是后期视觉任务中的关键步骤。本文详细研究了雾天环境下图像降质的具体原因,对深度学习的图像去雾算法展开研究。本文主要内容如下:1.研究雾天环境下成像设备捕获到目标场景图像的具体过程及原理,介绍卷积神经网络基本构成及运用,引出基于深度学习的Dahaze Net经典去雾算法,对其进行实验仿真并对算法中的缺陷进行分析。2.针对传统去雾算法进行参数估计时出现误差较大的情况,提出一种新的深度学习单幅图像去雾算法。首先使用多尺度卷积神经网络学习输入雾图的透射率;接着利用导向滤波器具有保持边缘平滑的特性对提取到的透射率进行细化,得到更加接近输入图像的透射率;然后运用暗通道先验知识估算全局大气光值;最后基于大气散射模型进行图像去雾恢复;与多种经典去雾算法进行实验对比分析,实验结果表明本文所提算法在去雾效果和指标上都有显著提升。3.针对深度学习网络训练过程中容易造成细节信息丢失,以及雾浓度分布不均匀情况下出现去雾不完全的问题,提出一种基于多尺度连接的区域自适应去雾算法,算法网络框架类似于UNet3+网络,主要由编码部分、上采样层、下采样层和解码部分组成。在编码网络和解码网络之间使用新颖的交互式多路连接,在训练过程中提供足够的特征信息。使用多个矩形像素块,将雾图中雾霾区域划分为多个雾浓度分布“近似”均匀的矩形区域,提取丰富的背景信息。为避免采样过程中特征信息丢失,使用离散小波变换进行尺度变化操作,接着与较新的深度学习去雾算法进行实验对比,峰值信噪比（PSNR）提高了1.77d B、结构相似性（SSIM）提高了0.02,去雾效果得到显著改善。