雾霾的存在通过影响光源在大气传输介质中的反射与散射过程,造成到达图像采集设备的图像信息部分退化甚至丢失,从而导致成像效果变差。图像去雾作为一种图像处理问题,旨在通过提高图像能见度、清晰度和亮度,去除图像中的雾霾成分,获取去雾后的清晰图像,从而满足人们高质量的视觉需求并且服务于后续图像识别、分割、跟踪等等诸多高层视觉任务。因此,如何从带雾图像中恢复出清晰图像具有重要的研究意义。首先,为了解决不同浓度下的图像去雾问题,提出了一种基于DQN的图像去雾方法,针对性地设计了去雾任务中的状态表示、去雾动作集合和回报函数,并对已有去雾动作DCP进行了改进使其更适用于序列化去雾。实验结果从主观视觉效果和客观量化指标两个方面展示了所提方法的有效性。之后,针对单幅带雾图像中的不同区域去雾难度不同的问题,提出了一种基于PPO的路径选择去雾网络。针对不同的输入子块采用PPO自主地选择相应的去雾路径,实现网络层的复用,获得更好的去雾效果。最后,分析了本文中基于强化学习的去雾模型具有的可解释性,通过可视化注意力掩码与去雾路径选择结果,在模型决策的依据和模型结果的可信度上,阐明了本文中采取的强化学习进行图像去雾的可解释性。本文通过序列式地采取图像去雾动作,自主地选择图像去雾次数与去雾路径,用以解决不同雾霾浓度和不同去雾难度下的图像去雾问题。序列式地去雾被建模为一个马尔可夫决策过程,本文主要研究了基于深度强化学习的图像去雾算法,最终实现了内在机理明确、可解释性强,并且符合人类专家进行图像去雾的算法流程。