近年来,人工智能技术发展迅速,不仅改变了人们的生产生活方式和思维方式,还有效推动了社会经济发展的步伐。计算机视觉作为人工智能的一个重要组成部分,通过利用计算机及相关设备模拟生物视觉实现信息处理,在智能交通、人脸识别、医学图像分析等领域得到了广泛应用。然而,雾天条件下空气中悬浮的介质粒子会对光线产生散射和吸收,导致捕获的室外图像出现对比度降低,颜色失真等降质问题,对户外物体识别、障碍物检测、视频监控等高级计算机视觉任务造成极大影响。因此,研究简单而又高效的图像去雾算法来实现降质图像清晰化,从而保障计算机视觉系统稳定运行,具有重要的研究意义和实际应用价值。本文对现有传统复原算法和深度学习算法进行分析,总结算法中存在的优势及不足,然后以大气散射模型为理论基础,提出两种改进算法,取得了较好的去雾效果,具体研究工作如下:针对暗通道先验算法中存在的光晕效应及天空区域偏色等问题,提出一种基于转换域与自适应伽马校正的图像去雾算法。通过将大气散射模型转换至对数域,结合暗通道先验理论提出对数域正相关关系;然后利用高斯函数拟合正相关,从而得到粗级透射率;同时将有雾图像转换至HSV色彩空间,提取亮度分量构造自适应伽马校正因子,对粗级透射率进行修正,并使用交叉双边滤波操作实现透射率的进一步优化;最后结合大气散射模型与改进的局部大气光,实现无雾图像的有效复原。仿真实验表明,该算法复原图像去雾彻底且细节丰富,具有较好的色彩保真度,更接近真实场景。针对去雾算法中存在的颜色失真、去雾不彻底等问题,提出一种基于雾层学习的多级特征融合网络用于单幅图像去雾。首先,结合大气散射模型将有雾图像与无雾图像之间的差值图像定义为雾度层,通过对雾度层的有效估计来达到优化的去雾效果。然后,设计一种端到端的网络模型,该模型主要包括雾层估计模块和图像复原模块。在雾层估计模块中,通过特征提取块对图像的低级和高级特征进行提取,并采用多级融合策略对不同级别的特征做逐像素加法来实现特征融合,融合后的雾层特征同时包含局部信息和全局信息。最后,根据图像复原模块,直接从有雾图像中减去雾层特征,便可实现无雾图像的有效复原。实验表明,该算法复原结果清晰自然,有效避免了颜色失真现象,且客观评价指标进一步验证了所提算法的有效性。