随着图像传感器和计算机技术的发展，户外机器视觉系统得到了广泛应用，而恶劣天气(雾、雨、雪)是影响户外视觉系统正常工作最主要的因素。由于大气散射，雾造成图像色彩和对比度大幅下降，直接影响图像特征提取，从而导致以提取图像特征为基础的监控、跟踪、智能导航等视觉应用系统无法正常稳定工作。因此，研究有雾天气下图像的处理方法具有实际应用价值。　　 本文通过分析目前国内外去雾算法的研究现状，总结出制约去雾技术推广应用的三个因素--实时性、适应性和智能性，并针对这些因素提出有建设性的解决方案。在实时性方面，深入分析了目前主流的基于暗原色先验去雾方法的理论，并重点研究其中耗时耗空间的抠图原理，提出基于暗原色的缩放阈值法，结合内插值平滑和阈值复原来代替抠图，极大地降低了算法的时间和空间复杂度。在适应性方面，针对一般去雾算法对有损压缩失效的现象，重点分析了有损压缩对图像去雾的影响，提出联合小波和暗原色的去雾方法，利用小波变换能将图像分成高频和低频信息这一显著特点来找出有损压缩带给图像去雾的不规则杂点区域，并对这些杂点区域进行相应处理，从而有效消除有损压缩对图像去雾的影响。在智能性方面，利用多特征融合的协方差向量描述图像特征，分别建立感知器神经网络分类器和支持向量机分类器学习相同样本数据并用来智能检测雾图场景，分析对比两种分类器的准确率，选择较好的分类器用于智能检测有雾图像。　　 另外，由于目前去雾算法主要集中在图像上，专门研究视频去雾的理论较少，视频去雾不能简单地对每帧单独进行图像去雾，这样可能失去视频帧的实时性和时空一致性。本文根据工业视频背景变化慢的特性，提出基于高斯混合建模和暗原色的视频去雾方法，采用高斯混合建模方法得到前景，并依照前景去更新暗原色先验去雾过程中的透射率图，极大地缩短了去雾算法运行时间，满足实时性，由于算法是基于背景的去雾，满足视频时空一致性。　　 最后，本文在VC++6.0和MATLAB环境下，借助OpenCV开源计算机视觉库编程完成了本文提出的算法。通过实验证明，本文图像去雾算法在实时性、适应性和智能性方面均有所提高，视频去雾亦达到了预期的效果。