雾天采集到的图像存在对比度下降和色彩偏移等问题,降质图像会严重影响计算机视觉系统的处理性能,图像去雾研究具有重要的理论意义和现实意义。本文深入研究基于深度学习的去雾方法,并针对现有端到端去雾网络存在去雾不彻底、细节模糊以及颜色失真等问题提出两种去雾新方法,主要工作如下:针对现有去雾网络对图像特征提取不完整、网络模型泛化能力不足等问题,本文基于卷积神经网络设计了一种基于内容特征和风格特征融合的去雾网络。该网络包括特征提取、特征融合和图像复原三个子网络。论文分别采用残差块提取内容特征、采用残差密集块提取风格特征,以保证特征提取的完整性;引入通道注意力机制对所提取的内容特征进行加权,并将其与风格特征相融合;图像复原子网络对融合后的特征图进行非线性映射,得到复原图像。实验结果表明,所提算法在合成数据集和真实数据集上均能实现有效去雾,去雾图像颜色自然,细节信息丰富。现有的去雾网络缺乏先验信息指导,易造成网络模型过拟合,无法用于真实的雾天场景。基于此,论文以Retinex理论为先验指导,提出一种基于视觉质量驱动的特征融合去雾网络。该网络包括亮度图估计子网络、反射图估计子网络和联合优化子网络。论文基于残差密集块构建亮度图估计子网络,利用U-Net构建反射图估计子网络,并基于Retinex理论将估计得到的亮度图和反射图进行像素级融合得到复原图像。为进一步改善图像视觉效果,引入残差跳转思想设计联合优化网络对复原图像进行优化。另外,为了指导两个子网络估计亮度图和反射图,本文基于RESIDE数据集中的ITS和OTS生成了9876张亮度图和反射图作为训练数据集。实验结果表明,该网络得到的复原图像去雾彻底,视觉效果理想,更符合人眼视觉规律。