室外的场景通常有大气中的混浊介质存留,由于大气的吸收和散射形成了雾霾。图像采集设备受到雾霾的影响,导致获取到的图像清晰度降低、对比度下降,严重时还会导致色彩和细节信息发生变化或失真。近年来,计算机视觉技术已经普及和深入到各个行业的应用当中,在道路、航空等领域发挥着越来越重要的作用,而雾霾天气严重威胁了交通的安全。为了各类计算机视觉系统在雾霾环境下能正常工作,使得后续开展的图像分割、目标检测、图像识别等算法能有效运行,对雾天图像进行清晰化处理和研究具有重要的现实意义。传统的图像去雾方法大多基于大气散射模型或先验知识,但这些并不总是适用,且模型参数无法进行准确的预估,导致去雾结果常常出现颜色失真、效果不佳等问题。深度学习算法的出现使得网络能自动学习模型的参数或图像去雾的任务,而基于生成对抗网络的去雾方法甚至可以无监督、端到端地生成清晰的图像。但以往的去雾网络并没有考虑到真实雾霾图片中不同区域浓度不同的特点,仅仅进行图像的整体变换,导致图片去雾不均匀、细节较差且出现偏色等问题,无法得到很好的效果。针对上述问题,本文提出了一种新的去雾方法,本文的主要研究内容包括以下三个方面:（1）探究了注意力机制与去雾的联系,并提出了基于暗通道的注意力机制。本文将以往运用在图像局部转换的空间注意力机制应用于图像去雾中,并通过实验探究了注意力机制在图像去雾中的可行性。同时,本文受到暗通道算法的启发,针对原有注意力机制在图像去雾中的局限性,创新性地提出了一种增强的暗通道注意力机制来实现对雾霾区域的关注,并通过实验验证了该机制的有效性。提出的注意力机制能够准确且快速地标注出雾霾的浓度与区域,使得网络分区分量去雾成为可能。（2）构建了两种基于注意力的去雾网络。在原有循环生成对抗网络的架构上,针对图像去雾的目标改进了生成器和判别器的网络结构,并将提出的暗通道注意力机制与其相结合,依托一种循环生成过程构造了两种基于暗通道注意力机制的去雾网络。所提出网络避免了传统生成对抗网络对图像整体转换导致的图像颜色失真、细节还原不佳的问题,能关注到不同雾霾浓度需要转换的程度不同这一特点,更多地保留了原图的细节特征,更好地还原了原图色彩,提升了去雾效果。本文通过大量的对比实验验证了所构造去雾网络的有效性。（3）探究了多类图像去雾的鲁棒性。本文以实际去雾的应用场景为背景,根据图像采集设备全天候采集这一特点,将实际去雾操作中可能遇到图像分为三类,并验证了本文方法和对比方法针对三类图像转换的鲁棒性。本文网络结构在各种场景下相较于以往算法都有显著的改进和提升。在多雾,少雾,无雾的目标图片上,都能进行有效处理并得到符合预期的转换效果,对实际应用下复杂场景的混合去雾任务具有重大意义。