雾霾的存在使拍摄环境变得恶劣,导致成像后的图像出现细节丢失、对比度下降和颜色失真等问题,不仅影响人的主观感受,更严重制约了后续高级视觉应用（如目标检测）的性能。现有图像去雾算法大多数仅针对正常光照下的含雾场景,而未考虑低光照下含雾场景的特点,即:光照强度低,雾对成像质量的影响被进一步放大;场景中通常存在多个光源,不同光源的光经过雾的散射使得图像色偏更加严重;光源附近存在明显的辉光效应。本文针对低光照雾图特征提取困难和色偏严重的问题,提出了端到端的低光照图像去雾网络;为解决网络工程部署问题,本文设计了轻量化去雾网络并对其进行部署。现对本文创新性工作做如下总结:（1）本文首先对比分析了低光照场景雾图和正常光照场景雾图的特点,针对低光照场景雾图退化严重导致特征难以提取的问题,提出了一种基于上下文感知注意力的低光照去雾网络。首先,使用层内上下文感知注意力模块分别从通道维度和空间维度聚合输入特征的信息,使其结合全局视角过滤和加权特征信息,以解决特征局部重要信息因输入图像退化而难以提取的问题;其次,使用层间上下文感知注意力模块通过投影操作,将高层特征投影到低层特征的信号子空间中,以高效融合不同层之间的信息;最后,引入轻量注意力模块,以较少资源提取网络顶层大尺度特征中的重要信息。同时考虑到低光照雾图色偏严重的问题,引入CIEDE2000色偏公式作为颜色损失,从CIELAB色彩空间对图像色彩进行约束,减少恢复图像色偏。实验结果表明,本文方法在多个数据集上的性能指标均优于现有去雾算法,与基准网络相比,PSNR最高提升了2.16d B,去雾效果更彻底,色彩还原更真实,视觉观感更好。（2）针对硬件资源有限,无法部署大型神经网络的问题,本文设计了一种基于知识蒸馏的轻量化低光照去雾网络。一方面,使用本文设计的轻量化密集残差块和轻量化残差块作为网络的核心模块,有效减少了网络的参数量和运算量;另一方面,结合知识蒸馏技术,采用前述基于上下文感知注意力的低光照去雾网络作为教师网络,辅助轻量化去雾网络训练,从而提升轻量化网络的性能。多个数据集上的测试结果表明,本文设计的轻量化网络在保证去雾质量的同时,极大降低了网络复杂度。在3R数据集上,相较于上述基于上下文感知注意力的网络,运算量减少了7倍,参数量减少了22倍,而PSNR仅下降了5.1%。最后,本文将所设计的轻量化网络部署在Tensor RT平台,在不影响去雾性能的情况下,去雾速度提高了10倍。