雾霾天气不仅影响人类健康,还有可能使城市监控系统性能因能见度降低被大大削弱,影响交通安全。因此,研究雾霾图像清晰化方法是事关国家安全的大事,有其存在的必要性。同时,对雾霾图像质量进行主、客观评估,有助于提升雾霾图像后期处理算法性能,为去雾霾算法提供准确、可靠的比较依据。本文首先介绍了图像去雾和雾霾图像质量评价方法的研究现状与背景,包括大气散射模型、基于先验知识的去雾算法、机器学习去雾算法和深度学习去雾算法,以及雾霾图像质量评价数据库的构建和雾霾图像质量评价算法的发展。在此基础上,作者提出了两种改进的去雾霾算法和一种新型雾霾图像质量评价方法,具体工作如下:(1)提出基于SLIC(Simple linear iterative clustering)超像素分割与成本函数的去雾算法。该方法是在成本函数去雾算法基础上改进的、基于超像素分割的去雾霾算法。首先,采用SLIC超像素法聚类并分割图像,以保证超像素集合内景深一致。之后,采用基于对比度和信息熵的复合成本函数,通过最小化该成本函数获取超像素集合内的透射率最优值。最后,采用四叉树分块法求解全局大气光值,获得去雾霾后的清晰图像。(2)提出一种改进的基于深度学习的MSDehaze去雾算法。该方法整合了传统基于深度学习的去雾算法MSCNN和AOD-Net的优点,通过设计新的单估值目标函数,以及优化网络结构以更准确地估计参数,同时选用与图像质量主观评估值更一致的SSIM值作为损失函数,得到比传统网络更优的去雾效果。(3)提出一种基于天空识别和暗通道先验的雾霾图像质量评价方法。通过求解大气散射模型下的入射光总衰减率,以及屏蔽天空区域对雾霾估算的干扰,设计了一种新型雾霾图像失真程度的评价指标,以准确估算图像中的雾霾严重程度。本研究针对图像去雾问题和雾霾图像质量评价问题,提出两种改进的去雾霾算法和一种新型雾霾图像质量评价算法。新的去雾算法相比传统算法,在性能上有一定的提升;所设计的新型雾霾图像质量评价指标能够较好地反映雾霾图像的主观质量评价结果。本论文的研究,可为后续相关研究提供一定的经验和借鉴作用。