雾霾的存在不仅影响了人们的日常生活,而且增加了室外视觉机器获取清晰图像的难度,不利于后续机器视觉任务的持续开展。因此图像去雾问题成为了机器视觉领域迫切需要解决的问题,对图像去雾方向的研究具有十分重要的现实意义。传统去雾算法在大气散射模型基础上,利用先验知识和一定的约束条件对图像特征进行数学统计,但由于人力统计计算的限制性,可能会造成对参数估计的不准确,从而影响复原图像的质量。近年来,深度学习网络在图像处理领域取得了重大发展,特别是神经网络具有强大的特征信息提取能力,克服了传统算法计算时费时费力的问题。但是神经网络由于训练数据集的局限性,在真实环境下对拥有复杂雾气结构的图像处理效果质量较低,例如存在局部雾气残留,颜色失真,边缘信息丢失等问题。为了解决上述问题,本文对已有的两种经典算法,暗通道去雾算法和伽马校正算法进行了分析和验证。研究发现“暗通道去雾算法”参数少,运算量小且图像整体具有较好的复原效果,但是在处理图像中存在面积较大的色素平缓区域时,其透射率估计能力降低,输出图像极易出现光晕、颜色失真等情况;“伽马校正算法”具有提高图像视觉感受,突出重要细节信息的能力,但是该方法本质上仅提高了图像的对比度效果,容易遗失边缘信息。针对暗通道去雾算法和伽马校正算法在雾图处理方面的优劣,本文提出基于编码解码结构的图像融合去雾网络,结合两种算法对图像处理的优势,将两幅图像的特征汇合到融合层进行特征融合,最后通过解码网络进行特征重建复原出清晰图像。该网络旨在将传统算法与深度学习网络有效结合在一起,提高网络系统的鲁棒性。在仿真实验过程中发现,由于真实环境中雾气的形成机制较为复杂,雾气浓度分布不均,导致图像在景深交界处存在雾气残余。因此,在此基础上提出基于双注意力模块的特征融合去雾网络,将并行的通道注意力模块和像素注意力模块融入编码网络的密集块结构。其中通道注意力模块能够高效分配有限的网络资源,避免不必要的背景信息占用资源;像素注意力机制更加注重图像中雾气分布不均的相关联特征信息,对真实环境下雾气分布不均匀的图像具有更强的去雾能力,增强了去雾网络的实用性。通过在合成数据集和真实数据集上进行的大量实验表明,基于双注意力模块的特征融合去雾网络与现有去雾算法相比具有更佳的去雾性能,在峰值信噪比、结构相似性和去雾效率三种客观评价指标上均有提高,具有一定的工程应用价值。